摘要:针对多分支有源配电网中故障特征时空耦合复杂和现有深度学习方法时频特征与拓扑图融合不足致使故障定位精度受限的问题，提出一种基于时频-拓扑融合的时序图卷积神经网络(temporal graph convolutional network, TGCN)-iFlowformer多分支有源配电网故障定位方法。首先，采用小波包变换提取故障三相电压与零模分量的能量特征，并融合时域统计特征，结合配电网图结构构建反映节点空间关联关系的多维故障特征空间。其次，构建TGCN-iFlowformer故障定位模型，利用TGCN刻画故障特征的空间关联特性与短序列时序动态，引入iFlowformer的流式注意力机制捕获长序列时序关系，以提高故障定位精度。最后，在PSCAD/EMTDC中对33节点配电网进行仿真验证。结果表明，所提方法仅在电源侧配置测量装置的条件下即可有效实现故障定位，受过渡电阻、初相角及故障类型的影响小，具有良好的经济性和鲁棒性。

摘要:针对高压直流输电线路故障电气量受换流站控制系统非线性重塑影响，导致暂态特征呈现同质化且难以精确辨识的难题，提出了一种基于控制响应解耦与多源信息自适应融合的故障原因辨识方法。首先，分析了雷击、山火、风偏、异物诱因下直流线路故障暂态特征的演化差异，揭示了故障特征同质化的成因。其次，通过构建考虑触发角动态演变的解析模型，提出了计及控制响应的直流电压和电流故障固有特征量提取方法。进一步，构建了融合卷积神经网络(convolutional neural network, CNN)、双向长短期记忆(bidirectional long short-term memory, BiLSTM)网络与空间注意力机制(spatial attention mechanism, SAM)的辨识模型，用以挖掘故障固有电气量的多尺度空间细节与双向全局时序演化特征。在此基础上，引入基于气象环境先验的贝叶斯概率模型，并提出基于JS散度的多源信息动态融合策略，实现了数据驱动特征与外部物理约束的自适应权重协同。算例分析表明，所提方法能够针对各种故障原因实现高精度辨识，成功解决了特征同质化严重的辨识难题。

摘要:新能源机组的虚拟惯量控制(virtual inertia control, VIC)能有效平抑系统频率波动，但在面临极端扰动时难以实现频率轨迹主动纠偏，系统存在频率越限风险。为兼顾一般扰动下功率支撑的平稳性与极端扰动下的系统频率安全性，提出了一种面向频率安全分层防御的新能源综合调频控制策略。首先，分析了VIC等被动响应式新能源调频策略的局限性，提出了系统频率安全分层防御机制。然后，提出了基于状态重构的频率安全边界生成方法，并设计了能自动投退的频率轨迹重塑控制器。最后，构建了VIC与轨迹重塑控制融合的新能源综合调频控制策略，使得新能源机组在系统频率逼近安全边界时自适应激活轨迹重塑控制，实施频率安全主动防御。仿真结果表明，所提策略无需复杂的广域通信，且能在不增加系统运行负担的前提下，充分挖掘新能源的灵活调频潜能，显著提升了极端扰动下系统的频率安全。

摘要:针对分布式光伏(distributed photovoltaic, DPV)单相接入引起的三相不平衡、电压偏差增大及网损上升等问题，提出一种计及DPV无功-电压下垂调控的三相不平衡配电网优化运行方法。首先，基于电压死区和饱和区间，刻画DPV逆变器的无功-电压下垂控制特性，并构建多时间尺度优化框架。然后，在长时间尺度协调常规调压设备，确定DPV无功可调容量边界，在短时间尺度优化DPV逆变器的下垂控制参数。最后，采用半正定松弛和二阶锥松弛将非凸非线性模型转化为混合整数二阶锥规划模型，并通过分钟级运行校核验证控制效果。算例结果表明，所提方法能够实现多时间尺度协调优化，降低三相不平衡度和网损，改善电压偏差。

摘要:为解决保护装置状态评估指标集采样周期不一致导致的数据不完整，以及边端设备算力受限导致深度学习模型部署困难的问题，提出一种基于边缘智能与知识蒸馏的继电保护装置状态评估方法。首先，构建由云平台、边缘计算层和物理实体层组成的继电保护边缘智能体系架构，为模型的分布式训练与就地部署提供支撑。其次，构建保护装置评估指标集，并通过图神经网络Raindrop模型对不规则采样周期的指标进行分析和学习，形成指标数据之间的有向关系图。最后，选取Raindrop模型作为教师模型、TabNet模型作为学生模型，构建知识蒸馏架构，利用教师模型“蒸馏”出的软标签知识指导学生模型训练，实现评估方法在边端设备的轻量化部署。算例分析表明，所提方法在训练集与测试集上的准确率分别为98.98%和98.15%，且部署难度低，计算量小，能够实现保护装置运行状态的边端就地分析与准确评估。

摘要:虚拟同步发电机可为高比例可再生能源微网提供惯性和阻尼支撑，但传统固定参数控制在复杂工况下适应性不足。针对该问题，提出一种基于物理信息神经网络的控制参数自适应调节方法。首先，分析多台虚拟同步发电机的交互机理，选取连续时刻的角频率、角频率变化率和电磁功率构建时序输入，实现转动惯量、阻尼系数和二次调频系数的在线调整。接着，将转子运动方程嵌入网络训练，构建由数据损失和物理损失组成的联合损失函数，以增强网络输出的物理一致性。最后，通过仿真和硬件在环实验进行验证。结果表明，所提方法能够在不同负载扰动下较快且平稳地恢复系统频率，有效抑制超调和振荡，具有较好的适应性和泛化能力。

摘要:针对风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)数据中早期故障特征微弱且运行状态多变导致故障识别困难的问题，提出了一种基于并行门控循环单元(parallel gated recurrent unit, P-GRU)与多时间尺度指数加权移动平均(multi-time-scale exponentially weighted moving average, MTS-EWMA)的风电机组齿轮箱早期故障监测方法。首先，利用重叠滑动窗口采样(overlapping sliding window sampling, OSWS)策略对SCADA多变量时间序列进行重构，以充分保留时序信息。然后，构建P-GRU预测模型，通过并行时序特征提取结构增强模型对复杂运行工况下多变量动态关联特征的学习能力。然后，在此基础上构建MTS-EWMA监测框架，通过融合不同时间尺度的预测残差信息，实现对缓慢演化故障的敏感检测与误报抑制。实验结果表明，所提方法能够在风电机组实际故障发生前实现稳定预警，验证了该方法在风电机组早期故障监测中的有效性。

摘要:针对数智化变电站信息物理强耦合性引发系统脆弱性的问题，提出适配时序安全场景的广域系统关键节点辨识和风险评估方法。首先，基于IEC 61850协议栈对象模型和通信模式，分析典型报文核心功能边界、时序同步依赖机制与内生脆弱特征。其次，因开放式协议存在未经授权访问威胁，提出变电站网络风险传导路径和广义断线跳闸扰动方式。然后，针对国家背书型攻击具备的广域致瘫和链路隐蔽特征，提出多站点、潜入式的精准时间同步协同扰动方式。最后，基于直流最优潮流模型和序贯蒙特卡洛方法，构建变电站扰动风险评估框架。在IEEE-RTS79测试系统中进行仿真验证。结果表明，针对关键节点组合开展协同攻击将导致严重的系统级联失效，相较于单点攻击，协同攻击显著增加了系统失负荷风险，验证了利用时间同步协议开展多站点扰动的有效性。

摘要:针对配电变压器故障诊断中样本稀缺及未知类别识别困难的问题，提出一种融合改进卷积变分自编码器(improved convolutional variational autoencoder, IM-Conv VAE)与包含概率的支持向量机(probability of inclusion support vector machine, PISVM)的小样本与未知类联合识别方法。首先，通过IM‑Conv VAE对小样本数据进行数据增殖，扩充样本数量。然后，在核边缘损失的联合损失函数约束下进行特征提取。最后，通过引入类别概率边界，利用PISVM对提取的特征进行开放集识别，实现对已知类别的分类与未知类别的标记。实验结果表明，所提模型在样本数量有限的条件下，能精准识别已知故障，并有效区分未知故障。进一步减少训练样本时，模型仍保持良好的稳定性与识别能力。该模型的故障识别准确率高，具备较高的工程应用潜力与推广价值。

摘要:针对风-混合储能系统参与联合市场时市场计划与实时运行衔接不足、频繁调节易加剧电池寿命损耗的问题，提出一种日前-日内-实时协同优化策略。首先，分析风-混合储能系统参与联合市场的运行机制，构建多时间尺度协同框架。其次，建立含趋势记忆变量的在线雨流计数模型，将电池等效寿命损耗转化为可嵌入优化模型的线性约束。然后，建立协同优化模型。日前层优化电能量与调频容量申报计划，日内层结合更新预测信息进行滚动修正，实时层结合自动发电控制指令、频率偏差和储能荷电状态，动态分配电池与超级电容出力。算例结果表明，该策略能够实现市场计划向实时功率分配的递进传递，降低电池过度调用，提高风-混合储能系统参与联合市场的运行收益。

摘要:针对数据中心电-冷-算多能流深度耦合与算力服务合规保障需求，以及传统调度方法在处理异质指标权衡时存在的收敛性差、决策主观性强等问题，提出一种计及能源利用效率(power usage effectiveness, PUE)凸化与工程优先级的协同调度方法。首先，构建算力时间窗与延迟惩罚机制量化任务柔性，并建立基于自适应安全裕度的机会约束模型。其次，设计“PUE凸化 + 分层序列”高效求解框架：利用分层序列法确立“合规-服务-经济”决策优先级，规避传统加权法弊端，并引入改进逐次凸逼近算法实现非凸PUE模型的快速寻优。算例结果表明：所提方法将系统综合PUE降至1.1417，在95%置信水平下实现安全与经济的帕累托最优。相比传统加权法，本策略在精准挖掘服务质量(quality of service, QoS)宽容度的同时，突破了非凸模型易陷入局部最优的局限，计算速度提升约55%，近似误差低至0.026%。

摘要:在遗忘因子递推最小二乘法在永磁同步电机(permanent magnet synchronous motor, PMSM)参数辨识中，靠经验认知固定取值遗忘因子易导致辨识精度下降和收敛性不佳。针对此，提出基于鲸鱼算法与人工鱼群算法的融合优化策略搜索最优遗忘因子。首先借助两种算法的互补性完成算法融合，得到高收敛精度、强鲁棒性的人工鲸鱼-鱼群算法(artificial whale-fish swarm algorithm, AWFSA)。然后采用AWFSA对契合PMSM辨识特性的目标函数寻优。将最优遗忘因子引入参数辨识模块实现在线辨识，利用平滑过渡模块反馈至观测器，进一步提升电机转子转速位置估计精度。最终通过仿真实验分析和台架实验，证明了所提方法提升了PMSM参数辨识精度，改善了PMSM转子转速位置观测器的观测精度。

摘要:针对高渗透率风电系统中传统储能调频策略难以适应多调频阶段差异化需求，且易因储能荷电状态(state of charge, SOC)越限引发频率二次跌落的问题，提出一种计及SOC自适应调制的风储联合系统多阶段动态调频策略。首先，分析了系统等效频率响应特性，明确了不同调频阶段的控制需求差异。其次，构建了双向非对称Sigmoid型自适应调制函数，实现了风储联合调频控制参数在不同调频阶段间的平滑切换与自适应匹配。最后，搭建时域仿真模型开展多工况对比验证。结果表明，与传统调频方案相比，所提策略可将系统最大频率变化率由0.58 Hz/s降低至0.51 Hz/s。在储能初始SOC为0.3的低电量工况下，可使系统频率最低点提升0.03 Hz，并使储能SOC始终维持在15%的安全阈值以上，有效降低频率二次跌落风险，提升系统频率安全边界与储能长期调频运行能力。

摘要:针对架空输电线路覆冰厚度预测中历史样本稀缺导致模型泛化能力不足以及时序动态突变响应能力弱的问题，提出一种融合量子高维映射与经典时序记忆优势的量子长短期记忆网络(quantum-based long short term memory, QLSTM)预测模型。基于浙江建德220 kV线路实测数据构建标准化时序训练集，将经典时序特征映射至高维希尔伯特空间，并设计含受控非门纠缠门的变分量子电路。利用量子干涉效应放大微扰信号并表征变量间的非局部关联，从而提升对动态突变的响应能力。将预测结果与5种典型预测模型对比后表明，QLSTM模型在完整数据集及历史样本稀缺场景下均优于典型预测模型，有效抑制过拟合并缓解极端天气下的预测滞后问题。结果表明，QLSTM预测模型在提升历史样本稀缺条件下的泛化性能与时序动态突变响应能力方面具有显著优势，为架空输电线路覆冰预警提供了新的技术路径。

摘要:针对高速电力线载波(high-speed power line communications, HPLC)系统中正交频分复用(orthogonal frequency division multiplexing, OFDM)技术在光伏监控场景下通信可靠性余量不足的问题，提出一种基于啁啾扩频(chirp spread spectrum, CSS)调制的电力线载波通信方案。首先，阐述了CSS调制解调原理。其次，基于光伏场站地埋线长距离传输特性，构建了电力线频率选择性衰落信道及Middleton Class A噪声模型。最后，对比了CSS与OFDM在上述模型下的通信性能。实验结果表明，得益于扩频增益，CSS的解调门限相较OFDM降低35 dB，显著提升系统可靠性余量。同时，其恒包络特性有效降低峰值平均功率比，使系统在低发射功率下仍保持优异的抗噪鲁棒性。综上，CSS调制方案能有效克服光伏监控系统中严峻的信道环境、剧烈脉冲噪声及功耗受限等多重约束，为复杂电网环境下感知节点的高可靠通信提供了一种有效技术途径。

摘要:针对电力设备智能巡检中异构信息整合困难、语义对齐不精与模态缺失下表现不稳的挑战，提出一种基于双向跨模态注意力机制的自适应图文融合缺陷分类框架。该框架采用视觉Transformer(vision Transformer, ViT)与基于变换器的双向编码器表示(bidirectional encoder representation from transformers, BERT)分别构建高维视觉特征与深层语义表征，并引入基于对比学习的损失，在统一语义空间内实现图文嵌入的显式对齐。设计双向跨模态注意力机制，通过“文本→图像”与“图像→文本”的交互，自适应强化缺陷相关特征、抑制环境干扰。同时构建多分支分类策略，确保模型在单模态缺失等复杂工况下的鲁棒性。实验表明，在电力智能巡检场景12种典型缺陷任务上，该方法准确率达94.5%，F1值达93.9%。与现有主流单模态及多模态融合方法相比，所提方法在特征可分性与分类精度上均有显著提升，为电力巡检多模态处理提供了有效支撑。