找到 9 条结果
基于人工智能与物理模型的智能电网异常检测综述
Artificial Intelligence and Physics-Based Anomaly Detection in the Smart Grid: A Survey
Giovanni Battista Gaggero · Paola Girdinio · Mario Marchese · IEEE Access · 2025年1月
先进通信系统与分布式资源的融合推动了智能电网的发展，提升了控制能力与运行效率。然而，系统复杂性的增加也带来了新的脆弱性，加剧了网络攻击、设备故障等异常风险。机器学习技术作为数据分析的变革性工具，正广泛应用于异常检测。本文综述了结合人工智能与物理模型的智能电网异常检测方法，系统梳理了当前研究现状，评估了各类应用场景、算法性能及验证方式，识别出关键研究缺口，并为该领域的进一步发展提供了学术见解。
解读: 该综述对阳光电源智能运维体系具有重要指导价值。AI与物理模型融合的异常检测方法可直接应用于iSolarCloud平台，提升ST储能系统和SG光伏逆变器的故障预警能力。针对储能系统，可结合电池物理模型与机器学习实现热失控、SOC异常等早期检测；对光伏电站，可融合IV曲线物理特性与AI算法识别组件遮挡、...
基于优化卷积长短期记忆模型的智能电网异常检测
Anomaly Detection on Smart Grids With Optimized Convolutional Long Short-Term Memory Model
Ahmad N. Alkuwari · Saif Al-Kuwari · Abdullatif Albaseer · Marwa Qaraqe · IEEE Access · 2025年1月
数字技术融入传统电力系统提升了电网效率和可持续性,将传统电网转型为智能电网。然而,这一转型也引入新的脆弱性,如虚假数据注入攻击,可导致严重的能源盗窃。据估计这类攻击每年造成电力供应商约1010亿美元损失。本文提出一种基于优化轻量级卷积长短期记忆模型的智能电网异常检测方法,针对七种多分类标记的虚假数据注入攻击进行检测,在分类这些攻击时达到91.3%的高准确率。
解读: 该智能电网异常检测技术可应用于阳光电源智慧能源管理平台的安全监控。通过深度学习模型检测虚假数据注入攻击,保护ST系列储能系统和SG系列光伏逆变器的数据安全,预防能源盗窃和电网欺诈行为,提升智能电网的安全性和可靠性,为工商业储能和分布式光伏提供网络安全保障。...
SKAD：一种基于结构知识引导的输电线路阻尼器异常检测统一框架
SKAD: A Unified Framework Guided by Structural Knowledge for Anomaly Detection of Dampers in Transmission Lines
Jiahao Shi · Jing Chen · Hao Jiang · Xiren Miao 等5人 · IEEE Transactions on Power Delivery · 2025年4月
阻尼器通过吸收输电线路振动能量以抑制导线振幅，但其可能发生内部结构异常（如阻尼头损伤）或外部位置异常（如沿导线滑移），影响减振效果。现有方法多针对单一异常类型，且局部特征提取能力有限。为此，本文提出SKAD，一种基于结构知识引导的统一检测框架，通过四个关键结构点对阻尼器结构特性进行编码，结合HRNet、GAU与SimCC构成的混合网络实现亚像素级定位。通过分析结构点的空间关系与向量特征，SKAD可在结构层面同步检测损伤（基于置信度阈值与向量点积）和滑移（基于深度-平行-距离约束）异常。实验结果表...
解读: 该输电线路阻尼器异常检测技术对阳光电源智能运维体系具有重要借鉴价值。其基于结构知识的亚像素级定位方法可迁移至iSolarCloud平台的设备巡检模块，用于光伏支架、储能柜体等关键部件的结构异常检测。SKAD框架中的多类型异常统一检测思路可应用于ST储能系统的预测性维护，通过视觉识别电池模组连接件松动...
智慧健康系统中面向安全、效率和功率优化的专家混合联邦学习和信任管理
An Expert Hybrid Federated Learning and Trust Management for Security, Efficiency, and Power Optimization in Smart Health Systems
Sohrab Khan · Nayab Imtiaz · Arnab Kumar Biswas · Zeeshan Bin Siddique 等5人 · IEEE Access · 2025年1月
智慧医疗系统中大量健康设备互联共享患者数据，面临严重的安全和隐私问题。本文提出新型混合联邦SVM和信任管理模型，通过协作性、诚实性和社区信任参数计算信任度。该模型异常检测总体准确率达95%，线性核、RBF核和多项式核准确率分别为95%、93%和95%，为健康系统提供安全和隐私保护。该方法轻量化，减少52.5%计算量，促进不必要能耗节约和计算开销降低，提升智慧健康基础设施安全性。
解读: 该联邦学习和边缘计算技术对阳光电源物联网设备安全管理有借鉴意义。阳光iSolarCloud平台连接海量光伏储能设备，需要高效安全的数据处理机制。联邦学习可实现分布式设备本地数据处理和模型训练，降低云端数据传输和计算压力。信任管理机制可增强阳光设备间通信安全性。该轻量化方案可应用于阳光边缘控制器，在保...
云原生环境中使用大语言模型和贝叶斯网络的异常检测与根因分析
Anomaly Detection and Root Cause Analysis in Cloud-Native Environments Using Large Language Models and Bayesian Networks
Diego Frazatto Pedroso · Luís Almeida · Lucas Eduardo Gulka Pulcinelli · William Akihiro Alves Aisawa 等6人 · IEEE Access · 2025年1月
云计算技术提供可扩展性和性能优势,但微服务架构引入复杂的监控和故障诊断挑战。本文提出一种集成大语言模型与贝叶斯网络的异常检测与根因分析框架,通过智能化分析微服务日志和指标数据,自动识别系统异常并追溯根本原因。
解读: 该智能运维技术可应用于阳光电源的储能云平台和远程监控系统。通过AI驱动的异常检测技术,提升ST系列储能系统的故障预警能力和运维效率,减少人工诊断时间,实现大规模储能电站的智能化运维管理。...
一种基于TKAN的光伏阵列输出功率异常检测方法
An Anomaly Detection Method for the Output Power of Photovoltaic Arrays Based on TKAN
Tingting Pei · Lei Jiang · Wei Chen · Haiyan Zhang 等6人 · IEEE Journal of Photovoltaics · 2025年8月
当今，光伏发电系统面临的最大挑战之一是使其保持在理想的发电效率下运行。为实现这一目标，对光伏阵列输出功率进行异常检测对于确保系统的可靠性和安全性至关重要。本文提出了一种基于时间柯尔莫哥洛夫 - 阿诺尔德网络（TKANs）的光伏阵列输出功率异常检测方法。首先，通过选取光伏阵列输出功率、环境温度、组件温度和辐照度的时间序列作为输入特征，构建光伏阵列参数数据集。其次，通过获取环境信息和运行参数的边界值，并将其缩放到 0 - 1 的范围，对光伏阵列参数数据集进行特征归一化处理。然后，使用 TKAN 神经...
解读: 该TKAN异常检测技术对阳光电源iSolarCloud智能运维平台具有直接应用价值。可集成至SG系列光伏逆变器的智能诊断模块，通过时序特征分析实时监测组串级输出功率异常，提前识别遮挡、热斑、组件失效等故障模式。相比传统阈值法，该方法的动态权重机制能适应不同天气条件下的功率波动特性，显著降低误报率。可...
基于随机森林回归器的大型光伏电站异常检测工作流程
Anomaly Detection Workflow Using Random Forest Regressor in Large-Scale Photovoltaic Power Plants
João Lucas de Souza Silva · Marcelo Vinícius de Paula · Juliana de Souza Granja Barros · Tárcio André Dos Santos Barros · IEEE Access · 2025年1月
在大型光伏电站中，异常会降低系统性能与长期可靠性，影响运维计划和经济效益。由于电站产生的数据量庞大，异常检测面临巨大挑战，亟需减少人工干预的自动化工具。本文提出一种基于随机森林回归器的异常检测工作流程，并引入动态建模的数学阈值进行判别。模型利用阵列平面辐照度和温度等特征预测输出功率，并通过均绝对误差结合动态乘子设定预警与异常阈值。在多个逆变器及不同数据集划分下的实验表明，该方法总体准确率达99.69%，能有效识别电站内不同设备的异常，具备良好的适用性与推广价值。
解读: 该随机森林异常检测工作流程对阳光电源iSolarCloud智能运维平台具有直接应用价值。可集成至SG系列光伏逆变器和PowerTitan储能系统的智能诊断模块，通过辐照度、温度等多维特征实时预测设备输出功率，结合动态阈值实现99.69%准确率的异常识别。该方法可优化现有预测性维护策略，减少人工巡检成...
性能保证的深度学习在动态智能电网网络攻击检测中的应用
Performance Guaranteed Deep Learning for Detection of Cyber-Attacks in Dynamic Smart Grids
Mostafa Mohammadpourfard · Chenhan Xiao · Yang Weng · IEEE Transactions on Power Systems · 2025年6月
虚假数据注入攻击（FDIA）对电力系统的可靠性构成了严重威胁，尤其是在诸如线路故障等动态运行条件下，这些情况会导致数据分布发生变化并出现概念漂移。传统的监督式方法依赖于带标签的数据集，这成本高昂且不适用于实时应用，并且在没有大量重新训练的情况下，往往无法适应新的攻击向量和运行变化。为应对这些挑战，我们设计了深度对比变分网络（DCVN），这是一个无监督学习框架，旨在无需带标签的数据或对网络拓扑进行假设的情况下检测FDIA。DCVN框架首先使用深度信念网络（DBN）从原始电力系统数据中进行稳健的特征...
解读: 该深度学习检测方法对阳光电源的储能和光伏产品安全性提升具有重要价值。可直接应用于ST储能系统和SG光伏逆变器的网络安全防护,特别是在大型储能电站和光伏电站的动态运行场景中。通过在iSolarCloud平台集成该检测算法,可提升PowerTitan等大型储能系统的运行可靠性,有效防范数据篡改导致的误操...
交通场景理解的深度学习综述
Deep Learning for Traffic Scene Understanding: A Review
Parya Dolatyabi · Jacob Regan · Mahdi Khodayar · IEEE Access · 2025年1月
本综述论文深入分析深度学习模型在交通场景理解中的应用，这是现代智能交通系统的关键方面。研究检验分类、目标检测和分割等基础技术，并扩展到动作识别、目标跟踪、路径预测、场景生成检索、异常检测、图像到图像转换I2IT和人员重识别等更高级应用。论文综合广泛研究的见解，追溯从传统图像处理方法到复杂深度学习技术如卷积神经网络CNN和生成对抗网络GAN的演进。综述探讨三类主要领域自适应DA方法：基于聚类、基于差异和基于对抗，强调其在交通场景理解中的重要性。讨论超参数优化HPO的重要性，强调其在增强模型性能和效...
解读: 该交通场景理解技术可应用于阳光电源储能电站和充电站智能管理。阳光在新能源汽车充电领域需要车辆识别、车位管理和安全监控。该深度学习综述涵盖的目标检测和跟踪技术可集成到阳光充电站管理系统，实现车辆自动识别、充电桩智能分配和异常行为检测。在工商业储能场景下，该技术可优化园区能源管理，识别车辆进出和负荷变化...