2025-02-20组会摘要01

今天我将继续就《基于扩散模型的合成数据研究》进行介绍

科研背景

•为了构建新一代电力系统以实现碳中和目标，有必要全面提升电网的数字化和智能化水平。这不仅是应对全球气候变化的重要举措，也是满足未来能源需求、推动经济和社会可持续发展的关键途径。在此背景下，智能电表作为一种先进的计量基础设施，得到了广泛部署。智能电表通过实时监测和采集用电数据，不仅能够促进能源流与信息流的深度融合，还能为电力系统提供更加高效和可靠的支持。尤其在住宅用电负荷特征（residential load profile）方面，智能电表的应用为电网的调度和管理带来了显著的改进。

•

•智能电表能够精确记录每个家庭的用电情况，包括负荷波动、用电时间段等数据。这些数据帮助电力公司更准确地了解各类家庭的用电模式，从而为电网的负荷预测和优化调度提供依据。通过分析住宅负荷曲线，电力公司能够更好地识别电力需求的高峰和低谷，优化电力供应，减少能源浪费。此外，智能电表还为用户提供了详细的用电数据，帮助他们更好地管理家庭能源消费，推动节能减排。通过结合智能电表与先进的数据分析技术，电力系统可以实现更精确的负荷预测和实时的负荷调度，从而提高电网的效率和可靠性，支持可再生能源的集成，最终推动能源的绿色转型和碳中和目标的实现。

科研问题

1.提出了一种基于条件扩散模型（conditional diffusion models）的负载曲线合成方法。该方法能够根据用户的条件信息，实现高质量的负载曲线合成。

2.同时，我们设计了一种新的网络结构使sampling的过程更加高效（fast sampling）。

2025-02-20组会摘要02

科研背景

图形对于关系数据和生物数据的建模至关重要。例如，在社交网络中，每个用户及其连接形成了一个包含所有用户及其链接的大型图形。由于隐私问题，各方可能不会将其私有图数据集发送到中央服务器，这引发了在多个分布式图数据集上训练GNNs模型的需要。由于隐私限制，他们无法与其他实体共享这些图形。如何在不共享实际数据的情况下协同训练GNNs？最直接的方法是使用GNNs执行联邦学习(FL)，其中每个客户端在本地数据上单独训练本地GNNs，而中央服务器将来自多个客户端的本地更新的GNNs权重聚合为一个。

科研问题

科研目的

科研内容

2025-01-09-组会摘要01

今天我将针对我的《基于扩散模型的合成数据研究》进行汇报。

科研背景

•为了构建新一代电力系统以实现碳中和目标，有必要全面提升电网的数字化和智能化水平。这不仅是应对全球气候变化的重要举措，也是满足未来能源需求、推动经济和社会可持续发展的关键途径。在此背景下，智能电表作为一种先进的计量基础设施，得到了广泛部署。智能电表通过实时监测和采集用电数据，不仅能够促进能源流与信息流的深度融合，还能为电力系统提供更加高效和可靠的支持。尤其在住宅用电负荷特征（residential load profile）方面，智能电表的应用为电网的调度和管理带来了显著的改进。

•

•智能电表能够精确记录每个家庭的用电情况，包括负荷波动、用电时间段等数据。这些数据帮助电力公司更准确地了解各类家庭的用电模式，从而为电网的负荷预测和优化调度提供依据。通过分析住宅负荷曲线，电力公司能够更好地识别电力需求的高峰和低谷，优化电力供应，减少能源浪费。此外，智能电表还为用户提供了详细的用电数据，帮助他们更好地管理家庭能源消费，推动节能减排。通过结合智能电表与先进的数据分析技术，电力系统可以实现更精确的负荷预测和实时的负荷调度，从而提高电网的效率和可靠性，支持可再生能源的集成，最终推动能源的绿色转型和碳中和目标的实现。

科研问题

•构建有效的数据驱动模型，特别是深度学习模型，通常需要大量的训练数据。这些数据对于模型的准确性和泛化能力至关重要。然而，在实际应用中，尤其是针对电力系统等领域，获得大量高质量的训练数据是一项巨大的挑战。

•

•由于成本、监管和隐私方面的限制，电力公司在收集和使用这些数据时面临许多困难。尤其是在涉及客户隐私和敏感数据的场景下，客户获取训练数据的难度更大。这样一来，电力公司往往无法获得足够的训练数据来训练模型，从而影响了数据驱动方法在这些领域的有效性和广泛应用。

科研目的

1.提出了一种基于条件扩散模型（conditional diffusion models）的定制负载曲线合成方法。该方法能够根据每位用户的连续条件信息，实现专属的、高质量的负载曲线合成。

2.同时，我们设计了一种新的网络结构使训练过程更加高效（fast sampling）。

2024-12-19组会摘要01

科研背景

随着分布式能源 (Distributed Energy Resource,DER) 单元的不断接入,传统配电网的单向电力传输方式正逐渐向主动配电网的双向电力传输方式转变,这种转变对配电网的感知、控制和协调能力提出了更高的要求。
单个DER额定容量很少，但是其渗透性在不断提高。为减小风电和太阳能光伏等DER单元间隙性发电对用户侧电能质量的影响,配电网给众多馈线支路安装大量的智能电子设备 (IED)和远程终端单元(RTU) 对DER运行状况进行实时监测感知。一旦攻击者入侵至配电网通信网络,并利用恶意漏洞控制DER 单元,可能造成发电节点失效和大规模停电事件,产生不可估量的经济损失,甚至对人员造成伤亡.

科研问题

1.基于模型的检测方法,易被攻击者识破：基于模型的被动式方法十分依赖于准确的模型知识如配电网网络拓扑和线路参数等。一旦攻击者了解了防护方法的工作原理,且得到了这些静态信息,将极有可能使得基于模型的被动式方法失效

2.基于数据的检测方法,忽略了电气系统的物理拓扑结构。电力系统的不规则拓扑结构已被建模为图形，每个网格总线和分支分别直观地抽象为顶点（节点）和边。而在数据驱动的检测方法中，往往忽略这种拓扑结构，利用这种利用电网的底层图结构来提高检测性能是可行的。

科研目的

1.根据DERs系统物理结构信息，我们提出一个图表示学习方法，这种方法能够捕获新的结构状态信息，从而提高检测效率。
2.根据物理—信息这种复杂动态系统，采用马尔可夫决策流程 （MDP） 来有效地对网络攻击行为进行建模，并通过与从少量观察到的数据中得出的最佳奖励，自主探索内在的攻击意图，提高检测效果。