基于集成学习的电力设备运行全流程数据共享方法.pdf

2023年3 月第2 6 卷第3 期Mar.2023,Vol.26,No.3电力大数据POWER SYSTEMS AND BIG DATA大数据专题Big Data Special Reports基于集成学习的电力设备运行全流程数据共享方法刘维嘉（贵州电网有限责任公司信息中心，贵州贵阳550 0 0 0）摘要：电力系统设备的检修计划将逐步由传统的定期检修转变为基于设备运行状态的检修，从而提高检修任务针对性，避免造成人力物力的浪费。基于设备运行状态安排检修计划的关键在于及时准确把握设备状态，随着相关检测技术的不断发展，在线监测、离线试验、人工巡视、无人机巡视等多种状态检测手段目前广泛应用于设备的状态检测之中，并积累了大量的历史数据。电力设备运行数据共享过程中存在数据安全系数过低问题，为此，本文引入集成学习技术，开展对电力设备运行全流程数据共享方法设计研究。通过构建电力设备运行全流程数据共享框架，根据集成学习提取电力设备运行全流程特征，通过半诚实模型和恶意模型实现电力设备运行全流程数据共享。实验证明，新的共享方法与区块链共享方法相比，能够有效扩大共享数据在电力设备运行全流程中的覆盖范围，并提高数据在共享时的安全性。关键词：集成学习；半诚实模型；恶意模型；全流程数据；电力设备中图分类号：TM732文章编号：2 0 9 6-46 33(2 0 2 3)0 3-0 0 37-0 7文献标志码：ADOI:10.19317/ki.1008-083x.2023.03.005开放获取近几年我国电网的智能化发展十分迅速，电力企业在生产经营过程中实现了与电力通信的深度融合，电力数据在这样的发展趋势下，也呈现出了极为快速的增长趋势 1。当前，针对电力企业在运行过程中各类数据资源的深度挖掘，已经成为相关企业乃至整个行业重点关注的内容；与此同时，随着电力数据的增加，对于各类数据的资源共享也成为了研究人员关注的重点 2 。在电力企业中，电力设备在运行的过程中会产生海量数据信息，这一部分数据除了在数量上过大以外，还具备价值密度低、种类繁多等特点，因此如何能够在确保电力数据利用价值的基础上，实现对其充分挖掘，并将得到的高价值数据进行实时共享，成为了提升电力设备整体运行安全和稳定的重要基础条件，同时也是当前呕待解决的问题之一 3。为了确保数据共享的效率，需要保证共享中的电力数据是具备典型电力设备运行特征的数据，才能够确保数据共享效率的同时，提高数据信息的有效性。集成学习是机器学习领域中一种可以实现对数据深度挖掘的技术手段，其在实际应用过程中是通过投票的形式，构建多个不同类别的基分类器，并通过应用学习算法，实现各个分类器的预测 46 。当前，集成学习已经成为机器学习当中十分重要的研究方向。由于集成学习在实际应用中的优势，为促进电力企业数字化和智能化水平的提升，本文将开展基于集成学习的电力设备运行全流程数据共享方法研究。1基于集成学习的电力设备运行全流程数据共享方法1.1木构建电力设备运行全流程数据共享框架针对电力设备运行过程中产生的数据共享，为了确保共享数据能够覆盖电力设备运行的全部流程，首先以电力设备运行全流程为基础，完成对数据共享框架的构建。本文将DSDCB作为数据共享框架基本结构，将合约架构作为框架中的核心；将后续利用集成学习提取到的电力设备运行全流程特征数据以文件的形式先进行加密处理，再将其统一传送到IPFS集群当中。数据文件当中需要包含电力设备从运行开始阶段到当前时刻整个过程中产生的所有数据信息 7-10 。在对需要共享的数据文件进行上传之前，引入IPFS对需要共享的数据文件中是否存在数据重复的问题进行判断，以此将大量重复性数据去除，达到节约带宽的目的。将不重复的数据信息进行存储，并将相应的文件指纹生成并返回。在电力设备运营调度中心，需要将共享的数据文件对应的哈希指数、文件指纹等相关信息一并存储在对应数据库当中。结合IPFS的联盟链，完成对数据文件的存储，以此可以进一步减轻数据共享时的37电力大数据负担，并在数据共享的过程中降低高频访问对服务进一步提高数据共享的规范性，对各类数据的存储器造成的压力。在共享的过程中，将数据文件的哈位置进行明确，将共享数据当中的属性信息存储在希值与下载文件的哈希值进行对比，以此能够确保DSC当中，属性信息主要包括电力设备运行全流程数据文件上传的完整性，并根据对比结果实现对数数据中的哈希值信息、创建时间信息、文件指纹信息据文件是否被篡改的判断。等 1315。将接收端与发送端用户共享的数据档案由于后续集成学习在应用中需要通过投票的方信息存储在DSSC当中，这一部分信息主要包括电式完成对分类器的建立，因此，为了确保后续集成学力设备运行全流程的标识信息、节点身份标识信息习的规范性，在设计数据共享框架时，采用在结构框以及共享时间信息。若在对各类数据信息进行存储架中引进合约的方式，实现数据共享过程中信息安的过程中,DataID对应的属性数值为O,则此时在共全的保障。为确保合约在结构中发挥预期的效果，享链当中所有的节点均表示为可以访问的节点；若参照公证人理论展开设计。同时，在多个共享支链对应的属性数值大于或等于1，则此时可以认为，这中选择公证节点，评估若干个节点后，选择一个可信一共享的数据文件当中只有部分特定的节点能够实度较高的节点作为本文研究节点 11。考虑到此节现访问，根据上述构建的电力设备运行全流程数据点需要调用前端用户身份，因此还需要根据研究中共享框架，可确保后续数据共享过程中具备更高的的实际情况，对用户端前端与后端的信息签名认证，规范性，同时也能够实现对电力设备运行全过程中将认证后的信息进行IPFS集成，并对其附加代理产生数据的合理管控。密钥，通过此种方式，保证对传输过程中的数据文件1.2基于集成学习的电力设备运行全流程特征提取提供全面的安全保障，实现对其的有效加密。在上述构建的电力设备运行全流程数据共享框在合约架构当中包含了数据备份合约BDBC架基础上，为了确保共享中的数据具备更高的利用和数据管理合约BDMC,前者主要用于实现对共享价值，引人集成学习对电力设备运行全流程特征进数据的存储，后者主要用于执行共享数据存储与访行提取，并以此实现对数据的深入挖掘，发挥数据的问请求 12 。两种合约的基本内容如表1所示。最大利用价值 16-18 。在利用集成学习对特征进行表1BDBC与BDMC的基本内容构成识别和提取时，其基本流程如图1所示。Tab.1Basic content composition of BDBC and BDMCNA-IDPubKeyM001OxApkM0020 xBpk数据管理合约NA-IDPubKeyN001OxapkN0020 xbpk数据备份合约与数据管理合约相比其内容当中还多出了DSC、D SSC 以及HEC等，DSC当中包含了Data-ID、文件指纹、哈希值以及Time。数据备份合约与数据管理合约当中都包含了所有认证节点的身份标志和对应公钥，可实现对共享数据的保护、验证以及加密处理。除此之外，考虑到电力设备运行全流程的数据包含多种不同类型信息，因此为了38第2 6 卷高维特征特征选择权值数据备份合约TimeICC1105OxAAA11060 xBBBTimeICC1205Oxaaa12060 xbbbDMCOxaaa0 xbbbDMCOxAAA0 xBBB随机抽取特征子集子分类器模型1图1基于集成学习的电力设备运行全流程特征提取Fig.1 Integrated learning based feature extraction forthe whole process of power equipment operation由于需要共享的数据存在规模大、覆盖地区广等特点，因此会进一步增加数据共享的难度，并且不同的电力设备，例如发电、输电、变电等多种类型设备，各类设备产生的数据类型不同，并且在高维稀疏表现上的差异也十分明显 19-2 0 。同时，若不对数据进行处理则会由于数据当中存在的噪声以及碎片特征选择权值更新子分类器训练子分类器模型1特征选择模型权值7子分类器模型1第3期化，严重影响到数据共享的质量和效果。因此，为了解决这一问题，在对电力设备运行全流程数据进行共享前，首先需要对其特征进行识别和提取。基于集成学习理论，针对各个不同数据类型构建多个分类器，并以此实现对多个不同集成子分类器的分别训练 2 1。在训练过程中，对于每一个划分的子分类器模型，都需要从更高维的角度对其进行随机的特征抽取。在此基础上，通过特征选择的方式从剩余部分数据特征中挑选出一个子集供其使用 2 2 。在对更高维度上的特征进行提取时，由于其维度较大，因此为了能够确保子分类器能够实现对自身特征的充分获取，从而方便后续数据共享时更快速地完成对特征的选择，还需要将集成分类器的训练完成的目标设定为：首先，分类器的决策要求必须明确，且具备一定的准确性；其次,对于不同分区当中的决策结果，必须具备一定丰富度；最后，通过丰富度的提升能够进一步促进分类器对特征抽取时的准确性 2 3-2 4。引入集成学习后，电力设备运行全流程特征提取的主要流程有3个步骤：步骤一：针对分类器的训练，需要按照特定的顺序依次进行,并且在对每一个分类器进行训练的过程中，都应当是从更高的维度当中获取所需的特征，并将所有特征构成一个集合 2-2 6 。同时，在训练之前，还需要确保挑选的特征具备一定辨识度，将更多符合这一要求的特征进行汇总能够为后续数据的共享提供更有利的资源。步骤二：利用模型惩罚项当中的特征，完成对其各个特征权重数值的分类，并供各个子分类器进行选择。一旦高维度当中的特征被选中，则此时惩罚权重数值会增加，随着后续子分类器的不停训练，某一子分类特征被选用的概率会逐渐降低。步骤三：引人权重增长比例系数对特征提取中的子分类器进行控制。当某一数据特征被选中，则该特征权重值将会乘以引入的增长比例系数，在后续该数据特征的选择阶段，这一特征被选择的可能性将会进一步降低 2 7 。利用上述流程提取到的电力设备运行全流程数据特征可用如下公式表示：ya+1=f(Zy,Xw+b.)公式（1)中，yn+1表示为通过特征提取得到的电力设备运行全流程数据特征结果；，表示为在某一刘维嘉：基于集成学习的电力设备运行全流程数据共享方法(1)输出层当中得到的特征结果；表示为权重值；b;表示为两个输出层之间的偏置指数。其中，权重值可通过下述公式排序得出：mL(a)(p-L)公式(2)中m为数据振荡频率;L为数据与样本数据之间的距离；为数据容量；为模糊特征量。根据公式（1）和（2）得出最终的电力设备运行全流程数据特征。1.3电力设备运行全流程数据共享方法在引人集成学习完成对电力设备运行全流程数据特征的提取后，基于不同数据类型及不同共享需要，对共享策略进行选择。将数据的共享划分为单节点跨链形式和多节点跨链形式两种。同时，为了提高数据共享的安全性，针对两种数据共享进行进一步完善。针对单节点跨链方式的数据共享进行优化。将代理重加密技术应用到数据共享过程中，以避免具有重要价值的电力数据被非法窃取，同时也能够进一步降低电力设备运维的负担 2 8-2 9。考虑到电力设备运行数据共享接收方需要获取特定的电力数据，结合全同态加密技术，在数据共享中可以不对其进行解密便能够实现对共享数据中各类密文资源的整合。同时，在进行单节点跨链方式的共享过程中，利用DACC对数据共享双方的身份以及权限进行检验，并运用数据共享发送端用户提供的公钥，对代理的加密密钥进行生成，将密钥与被共享的资源一同传输到接收端用户，在共享中还需要进行多重签名的认证，以确保共享数据的安全性。将各项信息填写到DSSC当中，并将与该共享资源相对应的IPFS文件指纹同步传输。为了能够实现对共享接收端用户共享请求的验证，还可结合陷门验证的方式，在HEC的调用下，将接收端共享请求内容对应的电力设备运行全流程数据密文进行整合并下载。陷门可用如下公式表示：td=Ci;E Z,上述公式中，td为输出单向陷门;Ci为输入密文。为了进一步提高共享数据的安全性，引人代理重加密密钥对进行共享的数据信息密文进行二次加密处理，将二次加密后得到的密文数据通过共享传输通道传输给共享接收端用户。由共享接收端用户利用自已的私钥对所需的电力设备运行全流程数据39(2)(3)电力大数据明文进行解密。据作为实验数据，分别利用本文提出的基于集成学再对多方节点跨链数据的安全共享策略进行优习的共享方法和基于区块链的共享方法对数据进行化。这种共享模式是n个共享参与者共同执行同一共享。为了更直观地比较两种数据共享方法的应用个共享任务，其表达式为效果，选择将共享数据覆盖范围及数据共享安全性f(i,a2,c,)=(yi,y2,yn)(4)上述公式中，；为某一方i的输人量；y；为某一方i的输出量。n个参与方共同参与密文的共享，并将其划分为n份，其表达式为Share(s,k,n)(i,s,),i E n)公式（5)中,Share（s，k，n）为切分结果；i为某一参与者；s；为某一参与者的密文。其中密文的片段可用如下公式表示：kS:=(I)对密文进行重构，并得到下述公式所示的数据集合：R(i,s;),i E n),k)-s公式(7)中，s为密文集合，其表达式为s=i+2+在计算得出密文后，实现安全多方计算，将安全多方计划划分为半诚实模型和恶意模型。其中攻击者可联合得出：1+a2=s-3.-i半诚实模型会在数据共享的过程中忠实执行共享任务，并在共享过程中识别共享任务执行结果的可靠性，找出参与共享中的用户尝试获取隐私信息的行为，并将其剔除。恶意模型主要用于对参与共享用户中违背共享要求的用户进行辨识，并将其剔除，以此既能够保证数据共享时隐私信息的安全，又能够确保共享中电力设备运行全流程数据不会被泄漏。在具体共享时，将恶意参与共享的用户数量设定为规定阈值，若不超过阈值，则数据在共享中不会被泄漏。为了确保阈值设定的准确，在实际应用前，需要对模型进行训练，并采用逐次递减的方式确定阈值。2对比实验2.1实验准备通过上述论述，在引入集成学习的基础上，提出了一种全新的数据共享方法。为了验证这一共享方法的实际应用效果，选择以某电力企业作为依托，提取该电力企业某一电力设备在运行过程中产生的数.40第2 6 卷作为评价指标。选择三台相同型号的服务器构成实验运行环境，其中一台用于实现对两种共享方法的运行，一台用于作为数据共享的接收端用户，一台用于作为数据共享的发送端用户。为了方便论述，将基于集成学习的共享方法作为实验组，将基于区块(5)链的共享方法作为对照组。为实现对共享数据覆盖范围的量化，将其范围覆盖率用如下公式表示：F=Zp:/P:100%i=1公式（10)中,F表示为共享过程中数据全流程(6)覆盖率；p；表示为某一环节i中共享数据量；P，表示为某一环节i中数据总量。假设电力设备运行全流程中，每一个环节的覆(7)盖率均为10 0%，共包含5个环节，因此全流程在全覆盖的情况下其覆盖率可达到50 0%。根据上述公(8)式计算得出两种共享方法在全流程中的覆盖率，覆盖率越大，则说明在共享过程中数据的覆盖范围越广，越符合全流程数据共享要求；反之，覆盖率越小，则说明在共享过程中数据的覆盖范围越窄，越不符(9)合全流程数据共享要求。针对两种共享方法在进行数据共享中数据的安全性进行对比，选择将安全系数作为评价量化指标，其计算公式为=(P-L)/P公式（11)中，表示为共享中数据的安全系数；P表示为共享的数据总量；L表示为受到非法用户攻击时泄露的数据量。共享中数据的安全系数的取值在0 1之间，值越接近0，则说明数据共享安全性越低；值越接近1，则说明数据共享安全性越高。2.2共享数据覆盖范围对比在上述实验准备基础上，针对实验组与对照组两种共享方法的共享数据覆盖范围进行对比。为了避免实验中存在偶然性问题对实验结果的可靠性造成影响，共完成对同一组数据的五次共享，并分别记录五次共享中两种共享方法的共享数据范围覆盖率，将得出的实验相关数据绘制成表2 所示。(10)(11)第3期表2 实验组与对照组共享方法共享数据覆盖范围比较Tab.2Comparison of the coverage of shared databetween the experimental group and the controlgroup through shared methods实验组共享数据共享次数范围覆盖率第一次485.35%第二次495.23%第三次482.36%第四次489.23%第五次495.24%从表2 中得到的数据可以看出，实验组共享数据范围覆盖率均在40 0%以上，能够满足对电力设备运行的全流程覆盖，而对照组共享数据范围覆盖率仅在10 0%32 0%范围内，明显无法满足电力设备运行全流程覆盖。因此，通过上述得出的实验结果能够初步证明，实验组的共享方法在共享数据覆盖范围上更具优势。2.3数据共享安全性对比针对两种共享方法的数据共享安全性进行对比，仍然以上述获取的数据作为实验数据，分别完成四次共享，在每次共享中均引入一种攻击类型，分别为51%攻击、女巫攻击、重放攻击、中间人攻击，为了方便论述，将上述四种攻击类型分别编号为攻击I、攻击II、攻击III和攻击IV。基于上述计算公式（3），对两种共享方法在共享过程中数据的安全度系数进行计算，并将计算结果记录如表3所示。表3实验组与对照组共享方法数据安全系数对比Tab.3Comparison of safety factors of shared methoddata between experimental group and control group对照组数据共享次数攻击类型第一次攻击1第二次攻击II第三次攻击II第四次攻击IV从表3中记录的实验数据可以看出，在四次共享中，在不同类型的攻击下，实验组数据的安全系数均超过0.90 0，而对照组数据的安全系数仅在0.50 00.7 0 0 范围内。因此，基于上述实验数据进一步证明，本文提出的基于集成学习的共享方法在实际刘维嘉：基于集成学习的电力设备运行全流程数据共享方法对照组共享数据范围覆盖率312.15%126.25%156.27%149.23%245.25%实验组数据安全系数安全系数0.9650.6520.9460.5820.9850.5680.9650.648应用中能够抵御更多类型攻击，并且确保共享中数据的安全性。综合上述两组实验综合得出，本文提出的基于集成学习的共享方法在实际应用中不仅能够确保共享的数据覆盖电力设备运行全流程，同时还能够确保共享过程中数据的安全性。2.4全全流程数据共享为了验证本文方法的有效性，采用区块链共享方法，数据融合共享方法以及本文方法进行全流程数据共享请求处理用时，得到结果如图2 所示。5004003002001000010002000300040005000600070008000数据量/（条）图2 全流程数据共享请求处理用时Fig.2Processing time for full process data sharing requests分析图2 可知，当全流程数据量为10 0 0 条时，区块链共享方法的全流程数据共享请求处理用时为279ms，数据融合共享方法的全流程数据共享请求处理用时为2 7 9ms，本文方法的全流程数据共享请求处理用时为9ms；本文方法的全流程数据共享请求处理用时较高，说明本文方法能够有效提升共享请求处理效率。3结束语通过上述论述，将实现电力设备运行全流程覆盖和数据共享中的安全性作为目标，尝试引人集成学习，提出了一种全新的数据共享方法，并通过实验的方式验证了新的共享方法能够满足上述设计目标。同时，将该共享方法应用于实际能够为电力设备运维提供更加可靠的数据依据，从而促进电力企业整体向着数字化和智能化的方向发展。参考文献：1GERDROODBARI Y Z,RAZZAGHI R,SHAHNIA F.Improvingvoltage regulation and unbalance in distribution networks usingpeer-to-peer data sharing between single-phase PV invertersJJ.IEEE Transactions on Power Delivery,2021,PP(99):1-8.2RAJPUT A,LI J,AKHTAR F,et al.A content awarenessmodule for predictive lossless image compression to achievehigh throughput data sharing over the network storageJ.International Journal of Distributed Sensor Networks,2022,18一区块链共享方法数据融合共享方法本文方法41电力大数据(03):662-672.power load prediction based on Elman neural network3LIU J,ZHAO B,QIN J,et al.Multi-keyword ranked searchableencryption with the wildcard keyword for data sharing in cloudcomputingJJ.The Computer Journal,2021,18(22):126-135.4胡如一，杨春晨，戚胡佳，等.基于电力营销大数据的数据融合共享平台研究与应用 J.工业控制计算机，2 0 2 0，33（0 3）：110-112.HU Ruyi,YANG Chunchen,QI Hujia,et al.Data fusion andsharing platform based on big data of electricity marketingLJ.Industrial Control Computer,2020,33(03):110-112.5张王俊，程丹明.基于区块链的电力数据共享机制研究 J.自动化技术与应用，2 0 2 0，39（0 7）：144-147ZHANG-WANG Jun,CHENG Danming.Research on thesharing mechanism of power data based on blockchain J.Automation Technology and Application,2020,39（0 7):144-147.6赵洋，王瀚墨，康丽，等.基于时间卷积网络的短期电力负荷预测 J.电工技术学报，2 0 2 2,37（0 5）：12 42-12 51.ZHAO Yang,WANG Hanmo,KANG Li,et al.Temporal convolutionnetwork-based short-term electrical load forecasting JJ.Journal ofelectrotechnics,2022,37(05):1242-1251.7BAO Y,QIU W,X CHENG.Secure and lightweight fine-grainedsearchable data sharing for loT-oriented and cloud-assistedsmart healthcare systemJJ.IEEE Internet of Things Journal,2022,vol.09,no.4:2513-2526.8董燕，杨俊林，朱永胜，等.基于零和博奔的电力系统鲁棒优化调度研究 J.电力系统保护与控制，2 0 2 2，50（0 5）：55-6 4.DONG Yan,YANG Junlin,ZHU Yongsheng,et al.Robustoptimal dispatch of a power system based on a zero-sum gameJ.Power System Protection and Control,2022,50（0 5):55-64.9臧海祥，马铭欣，周亦洲，等.电力市场环境下风电-光热-生物质混合电站鲁棒优化调度模型 J.电力系统保护与控制，2 0 2 2，50(05):1-11.ZANG Haixiang,MA Mingxin,ZHOU Yizhou,et al.Robustoptimal scheduling model for a wind power-concentrating solarpower-biomass hybrid power plant in the electricity marketJ.Power System Protection and Control,2022,50(05):1-11.10张鹏飞，徐静怡，郭巍，等.粤港澳大湾区电力系统低碳转型J.上海交通大学学报，2 0 2 2，56（0 3）：2 93-30 2.ZHANG Pengfei,XU Jingyi,GUO Wei,et al.Low-carbontransformation of the power system in the Guangdong-HongKong-Macao greater bay areaJJ.Journal of Shanghai JiaotongUniversity,2022,56(03):293-302.11赵正平.SiC电力电子学产业化技术的创新发展 J.半导体技术,2 0 2 2,47(0 3):16 1-17 8.ZHAO Zhengping.Innovation and development on theindustrialization technology of SiC power electronics J.Semiconductor Technolo,2022,47(03):161-178.12 徐武，汤弘毅，杨昊东，等.基于ISSA优化的Elman神经网络短期电力负荷预测 J.扬州大学学报（自然科学版），2 0 2 2，2 5(01):37-42.XU Wu,TANG Hongyi,YANG Haodong,et al.Short term42第2 6 卷optimized by ISSAJJ.Journal of Yangzhou University(NaturalScience Edition),2022,25(01):37-42.13 宋云东，苑经纬，韩洪刚，等.基于UWB-CMI方法的电力变压器绕组径向变形检测研究J.南京理工大学学报，2 0 2 2，46(01):55-60.SONG Yundong,YUAN Jingwei,HAN Honggang,et al.Research on radial deformation detection of power transformerwinding based on UWB-CMI methodJJ.Journal of NanjingUniversity of technology,2022,46(01):55-60.14王定胜，张宏立，王聪，等.基于浸人与不变原理的电力系统混沌振荡分析与控制 J.振动与冲击，2 0 2 2，41(0 4)：142-149.WANG Dingsheng,ZHANG Hongli,WANG Cong,et al.Analysisand control of power system chaotic oscillation based on theimmersion and invariance principleJJ.Vibrati on and Shock,2022,41(04):142-149.15 SPANAKI K,KARAFILI E,DESPOUDI S.AI applications ofdata sharing in agriculture 4.O:a framework for role-based dataaccess control JJ.International Journal of InformationManagement,2021,59(01):102350-102358.16杨光雨，李晓航.基于最大信息挖掘宽度学习系统短期电力负荷预测研究 J.电测与仪表，2 0 2 2，59（0 3）：38-45.YANG Guangyu,LI Xiaohang.The short-term power loadforecast in wide area learning system based on maximuminformation miningLJJ.Electric Measurement and Instrument,2022,59(03):38-45.17陈德敏，王昭，汤凯，等.电力开关柜散热因素分析及重要性排序 J.电工电能新技术，2 0 2 2，41（0 3）：7 2-8 0.CHEN Demin,WANG Zhao,TANG Kai,et al.Power switchgear heatdissipation factor analysis and importance ranking J.NewTechnology of Electrical Energy,2022,41(03):72-80.18 樊园杰，张磊，吴利刚，等.基于强化学习的写字楼动态电力价格策略J门.科学技术与工程，2 0 2 2，2 2（0 8）：32 0 2-32 0 8.FAN Yuanjie,ZHANG Lei,WU Ligang,et al.Dynamic electricityprice strategy of office building based on reinforcement learningLJ.Science,Technology and Engineering,2022,22(08):3202-3208.19张睿哲，周恺，叶宽，等.用于长距离电力巡线的轻型太阳能无人机设计 J.电力电子技术，2 0 2 2，56（0 3）：9 7-10 0.ZHANG Ruizhe,ZHOU Kai,YE Kuan,et al.Design of lightsolar energy unmanned aerial vehicle for long distance powerline patrolJJ.Power Electronics,2022,56(03):97-100.20王欢，李鹏，曹敏，等.基于CNN_BiLSTM的长短期电力负荷预测方法 J.计算机仿真，2 0 2 2，39（0 3）：96-10 3.WANG Huan,LI Peng,CAO Min,et al.Short term and longterm power load forecasting method based on CNN_ BiLSTMJJ.Computer Simulation,2022,39(03):96-103.21胡吕龙，王炳昌，张卫川，等.基于有限时间观测器的电力信号辨识研究 J.控制工程，2 0 2 2，2 9（0 3）：530-535.HU Lyulong,WANG Bingchang,ZHANG Weichuan,et al.Research on power signal identification based on finite-timeobserverJJ.Control Engineering,2022,29(03):530-535.22刘鹏，李娟昆，鲁宇，等.电力企业能源服务民生发展潜力及作用机制研究一一基于吉林省数据的实证分析 J.价格理论与第3期实践，2 0 2 1(10)：49-53.LIU Peng,LI Juankun,LU Yu,et al.Influence factors andmechanism of the development potential of power enterprisesto serve peoples livelihood-an empirical analysis based onjilins dataLJJ.Price Theory and Practice,2021(10):49-53.23孙辉，范轩轩，胡姝博，等.虚拟电厂参与日前电力市场的内外协调竞标策略J.电网技术，2 0 2 2 46（0 4）：12 48-12 6 2.SUN Hui,FAN Xuanxuan,HU Shubo,et al.Internal andexternal coordination bidding strategy of virtual power plantparticipating in day-ahead power market JJ.Power GridTechnology,2022,46(04):1248-1262.24夏云鹏.大型舰船电气设备中电力变压器剩余寿命估计方法J.舰船科学技术,2 0 2 2,44（0 6)：16 5-16 9.XIA Yunpeng.Residual life estimation method of powertransformer in large ship electrical equipmentJJ.Ship Scienceand Technology,2022,44(06):165-169.25潘晓杰，张文朝，徐友平，等.考虑多源负荷不确定性的电力系统安稳风险优化 J.可再生能源，2 0 2 2，40（0 3）：396-40 1.PAN Xiaojie,ZHANG Wenchao,XU Youping,et al.Thestability risk optimization for power system considering multi-source load uncertainty JJ.Renewable Energy Resources,2022,40(03):396-401.26段瑞永.基于DCMM的集团级全域数据管理与共享平台研究与应用J.电力大数据，2 0 2 1，2 4（0 8）：6 8-7 5.DUAN Ruiyong.DCMM-based research and application of group-leveldomain-wide data management and sharing platform J.PowerSystems and Big Data,2021,24(08):68-75.27王丹丹，张璐明，贺小刚，等.基于电力数据中台建设全流程数刘维嘉：基于集成学习的电力设备运行全流程数据共享方法2021,34(08):119-121.WANG Dandan,ZHANG Luming,HE Xiaogang,et al.A one-stop data portal platform based on the whole process datasharing and application system of power data middle officeconstructionJJ.Changjiang Information and Communication,2021,34(08):119-121.28朱红勤，王黎明，霍雪松，等.基于改进Raft算法的电力数据共享机制.能源与环保，2 0 2 1，43（10）：2 0 6-2 10.ZHU Hongqin,WANG Liming,HUO Xuesong,et al.Powerdata sharing mechanism based on improved raft algorithmJ.Energy and Environmental Protection,2021,43(10):206-210.29寇正，刘涛玮，刘轩，