新一代人工智能兴起，人工智能逐渐落地，个中包括以深度学习为代表的前辈算法；数字化、传感和物联网、互联网产生的海量数据；GPU、 TPU 等打算力。
当古人工智能运用研究热点，运用处景险些覆盖电力系统各个研究方向：

外洋的干系研究

外洋电网安全问题逐渐受到重视

2003年美加大停电警示美国需提高电网的弹性；

2014年4月的偷袭手打击击倒了San附近的一个变电站，加州的何塞（Jose）担心该国的电网随意马虎遭受胆怯主义打击；

2015年，乌克兰电网受网络攻击停电事宜(受影响人数225000)。
2015年6月前，盗取到进入SCADA系统的凭据；6月-12月，探索SCADA系统，设置攻击；攻击当天，远程操作线路断路器；通信攻击造成运行职员无法警觉。

对付这些事件，一些国家进行了干系的研究。

美国启动RADICS项目

美国国防高等研究操持局（DARPA）于2016启动科研操持: “快速攻击侦测、隔离及表征系统”项目（RADICS），改旨在保障电力网安全，并供应可操作的应对方法，确保电力网节点的安全联接。
DARPA在声明中表示，RADICS项目通过利用前辈的机器学习方法、社交媒体剖析等，实现识别网络攻击并供应早期预警，供应态势感知能力，网络隔离和威胁表征，映射常规、工业掌握系统网络，形成临时网络信息并对掌握系统进行剖析。

该项目操持分为3个阶段履行，为期4年，投入7700万美金，估量于2020年6月完成。
前两个阶段侧重于技能研发，末了一个阶段关注技能转让。
技能转让的潜在工具包括电力网运营商、国防部系统和国土安全部。
参与RADICS项目的机构包括BAE系统公司、运用通信科学公司、Vencore实验室、电力科学研究院、伍斯特理工学院和哥伦比亚大学等。

项目参与者哥伦比亚大学的Daniel Bienstock教授(著有《Electricel Transmission System Cascades》)表示该系统可以：

实时预测可能发生的连锁故障；

仿真各种攻击；

用机器学习方法识别出黑客可以充分利用、履行攻击的薄弱环节；

确定须要重点保护和密切监测的环节；

将电网分成多少虚拟、策略子区，基于机器学习算法，对各策略子区潮流数据同等性比较，识别出攻击，发出警告；

用机器学习算法可识别出眇小的非常；

基于黑客注入电力系统掌握系统假数据或物理攻击留下的痕迹，研究如何检测攻击并在攻击后规复电力系统。

而哥伦比亚大学的Misra和Rubenstein表示：

开拓系统,获取电网之外的数据，如来自Twitter及其他媒体的数据,识别停电区域；

如果电网监测系统被攻击破环,这些停电是监测不到的,需依赖社交媒体做出推断。

瑞士配电网示范项目GridSense

瑞士电力公司Alpiq于2014年启动一项配电网示范项目GridSense是个中一个办理方案开拓的GridSense掌握盒安装一个社区的居民住所中。

该项目核心技能是一些算法:连续丈量电网负荷、电力消费和发电，景象预报以及电价 ；基于这些数据,借助人工智能技能，学习电力消费者的行为对商业用户和居民用户能源系统进行能源管理和运行掌握 ， 包括锅炉、热泵、充电站、电池储能，优化其发电和用电，从而发挥削峰、实现功率平衡的浸染。
该项目经由了18个月的测试，并在配电网仿真中进行了验证，既要担保配电网运行在最优水平，还要优化用户的用能。

海内的研究成果

2018年4月，国家电网公司正式发文批复成立人工智能运用研究所。
重点研究新能源消纳、电网安全与稳定、新兴负荷感知预测、电力资产管理运维、机器学习、智能机器人、人工智能平台、智能传感等方向。
下面我们一起来看人工智能运用研究所现阶段的研究成果。

SCADA网络攻击

SCADA网络攻击布局

注入攻击是对原有的量测向量动加入一个非零的攻击向量(a1,a2,......,am)T,那么不雅观测到的量测向量便是Za=z+a.状态估计在吸收到不良数据后利用WLS方法得到一个缺点的估计量,记作：

bad=+c ,个中c为攻击带来的估计偏差。

||za- Hbad||=||z+a-H(+c)||

=||z-H+(a-Hc)||

=||z-H||

可见,当攻击向量a是H的列向量的线性组合时,例如a=Hc ,假数据注入攻击可以不被LNR方法检测出来。

有限范围的恶性数据注入攻击，攻击者由于某些量测装置受到物理装置保护的限定，只能入侵特定区域中保护较弱的k个量测装置，即被攻击量测区域固定，攻击者只可修正其相应量测，求解恶性数据a时需增加约束条件，即未被攻击的量测对应的a为0

有限数量的恶性数据注入攻击，攻击者最多可攻击k个量测装置，与上面不同的是，被攻击的量测工具区域没有限定，即被攻击量测集的大小受限而个中每个被攻击的量测工具可任选。

SCADA网络攻击的影响

运用RBM辨识攻入的假数据

CRBM和DCRBM构造

n为延迟的个数

a为两个相邻延迟单元的时序间隔

例如:

(t-5, t-4, t-3, t-2, t-1,t)

(t-15,t-12, t-9, t-6, t-3, t)

布局状态估计

算潮流：将系统某时候的负荷(发电)数据作为第一时候各节点有功无功负荷(发电)。
为了担保功率平衡,利用线性增加和正弦变革两种办法进行叠加,仿照产生系统负荷率的颠簸变革,颠簸变革率曲线是一个正弦波。
用各节负荷乘以负荷变革率，得到10000个时候下各节点负荷的数据,从而进行潮流打算；

加噪声：通过利用10000个时候的负荷及发电数据进行潮流打算,得到前10000个时候的潮流值，并加入服从均值为零，标准差σ为2%的正态分布量测噪声, 仿照产生10000个联系时候系统量丈量z(t)，(t=1, 2, ....10000)；

得估计：通过将10000个时候系统量丈量加入到加权最小二乘法中进行状态估计,得到前10000时候下的系统状态估计值(t)，t= 1,2, ..，10000。

布局攻击

通过上述打算出的状态估计,利用Liu提出的方法布局攻击向量,在10000个样本中注入3000个攻击，并仿照3种场景。

最简攻击：只攻击一处节点,即投入最小的精力达到攻击效果；

多处攻击：同时攻击多个节点,即可以任意指定攻击节点的个数；

历史攻击：将历史某时候数据更换当前时候数据,使网络数据混乱,形成攻击。

流程图

最简攻击下DCRBM各参数的准确率：

隐层单元数增加到一定数目(200层)，准确率开始低落，隐层数到500旁边时，准确率趋于平稳。
延迟数n=3时，准确率最好，随着延迟数n的增加，准确率低落。

攻击数量不同情形下3种算法的准确率：

攻击的节点数较少时，三种算法准确率相差不大，随着攻击节点数的增加，ANN和SVM两种算法准确率开始低落，所提的DCRBM算法准确率始终相对较高并且很稳定。

历史攻击下3种算法的准确率：

ANN和SVM两种算法基本没有起到识别效果，所提的DCRBM的准确率能达到90%以上。

历史攻击下DCRBM各参数的准确率：

延迟数n=1时，由于对过去韶光序列考虑的不充分，以是准确率基本稳定在70%；延迟数n和间隔数a如果过大，会导致系统过拟合，效果反而不好。

基于深度强化学习的家庭能源管理优化策略

户用储能的动作示例

利用DDQN范例日优化结果

不同电价旗子暗记条件下，DQN与DDQN优化效果

不同物理环境下优化效果

经典综合能源系统构造

一种用户侧综合能源系统中的能源流向

A2C和DQN算法演习过程

A2C优化构造（随机选取20天）

日优化结果比拟

网络攻击识别、用户侧综合能源系统的优化运行,是人工智能运用的主要场景，应投入人力物力、加大力度开展人工智能在上述两领域运用研究事情。

免责声明：以上内容转载自环球表计，所发内容不代表本平台态度。
全国能源信息平台联系电话：010-65367702，邮箱：hz@people-energy.com.cn，地址：北京市朝阳区金台西路2号公民日报社