CN107016399A - 用于自动识别网络中的干扰之间的相似性的方法和装置 - Google Patents
用于自动识别网络中的干扰之间的相似性的方法和装置 Download PDFInfo
- Publication number
- CN107016399A CN107016399A CN201611080565.0A CN201611080565A CN107016399A CN 107016399 A CN107016399 A CN 107016399A CN 201611080565 A CN201611080565 A CN 201611080565A CN 107016399 A CN107016399 A CN 107016399A
- Authority
- CN
- China
- Prior art keywords
- interference
- network
- data
- observed
- eigenvector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013499 data model Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/048—Monitoring; Safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
用于自动识别网络中的干扰之间的相似性的方法和装置。自动识别网络中的干扰之间的相似性的装置包括存储器单元,其用于存储响应于在网络中观察到干扰而记录的多个干扰数据快照的第一数据阵列(DA1);生成单元,其被适配成通过机器学习生成关于DA1训练的干扰的数据模型,经训练的数据模型(tDM)提供每个干扰的本征矢量表示;记录单元,其被适配成如果在网络操作期间观察到干扰则记录干扰数据快照和针对记录的干扰数据快照提供相应的第二数据阵列(DA2);及处理单元,其被适配成使用干扰的tDM从DA2导出观察到的干扰的本征矢量表示和基于观察到的干扰的被导出的本征矢量表示及通过tDM提供的多个干扰的本征矢量表示来检测与观察到的干扰相似的干扰。
Description
技术领域
本发明涉及用于自动识别网络中且特别是电力供应网或电力网(electric powergrid)中的干扰之间的相似性的方法和装置。
背景技术
电力供应系统也被称为电力网,其包括诸如发电机、变压器、传输线之类的多个组件,其甚至易受小的扰动或干扰的影响。这些干扰可以引起广域振荡,其可使电力供应系统不稳定并且其甚至可以导致电力供应系统内的级联断电。分布式能源和可再生能源(特别是可再生能源)要求电力供应网适应于快速改变且有时意外的系统条件。然而,常规电力供应系统管理依赖于利用基于稳态假设的数据模型的离线研究和模拟。在达到预定系统阈值的情况下,可使用来自电力供应网的实时在线数据来触发警报。电力供应系统的运营商必须基于其经验且可能基于与相邻电网运营商交换的信息来解释接收到的数据。电力供应系统内的干扰的根本原因标识要求对多个时间序列数据的耗时分析。
发明内容
因此,本发明的目的是提供一种用于自动识别网络中的干扰之间的相似性的方法和装置,其允许运营商对观察到的网络内的干扰的快速且可靠的根本原因标识。
根据本发明的第一方面通过包括权利要求1的特征的方法来实现该目的。
本发明根据第一方面提供了一种用于自动识别网络中的干扰之间的相似性的方法,
方法包括:
提供多个干扰数据快照的第一数据阵列,所述多个干扰数据快照中的每个被响应于在所述网络中观察到干扰而记录和/或模拟,
通过机器学习生成关于第一数据阵列训练的干扰的数据模型,其中经训练的数据模型提供每个干扰的本征矢量表示,
如果在所述网络的操作期间观察到干扰,则记录和/或模拟干扰数据快照,并且针对记录和/或模拟的干扰数据快照提供相应的第二数据阵列,
使用干扰的经训练的数据模型从第二数据阵列导出观察到的干扰的本征矢量表示,以及
基于观察到的干扰的被导出的本征矢量表示且基于通过经训练的数据模型提供的多个干扰的本征矢量表示来检测与观察到的干扰相似的干扰。
在根据本发明的第一方面的方法的可能实施例中,网络是包括测量能量流参数的多个相测量单元的电力供应网。
在根据本发明的第一方面的方法的可能实施例中,测量到的能量流参数包括电力供应网的不同相的相电流和相电压及本地网络频率。
在根据本发明的第一方面的方法的仍进一步可能实施例中,第一数据阵列是四维数据阵列,
其中每个条目xi、j、t、k指示相测量单元PMUi在时间t针对在所述网络中观察到的干扰k的类型j的测量结果X。
在根据本发明的第一方面的方法的仍进一步可能实施例中,基于计算出的在观察到的干扰的被导出的本征矢量表示与通过经训练的数据模型提供的多个干扰的本征矢量表示之间的余弦距离来检测与观察到的干扰相似的干扰。
在根据本发明的第一方面的方法的可能实施例中,通过无监督机器学习生成干扰的数据模型。
在根据本发明的第一方面的方法的进一步可能实施例中,依靠网络中的干扰之间的经识别的相似性来确定至少一个观察到的干扰的根本原因。
在根据本发明的第一方面的方法的进一步可能实施例中,依靠网络中的干扰之间的经识别的相似性来确定至少一个观察到的干扰的干扰类型。
本发明根据第二方面进一步提供了一种包括权利要求9的特征的用于网络中的干扰之间的相似性的自动识别的装置。
本发明根据第二方面提供了一种用于网络中的干扰之间的相似性的自动识别的装置,
所述装置包括:
存储器单元,其用于存储多个干扰数据快照的第一数据阵列,所述多个干扰数据快照中的每个被响应于在所述网络中观察到干扰而记录和/或模拟,
生成单元,其被适配成通过机器学习生成关于第一数据阵列训练的干扰的数据模型,其中经训练的数据模型提供每个干扰的本征矢量表示,
记录单元,其被适配成如果在所述网络的操作期间观察到干扰则记录和/或模拟干扰数据快照,并且被适配成针对记录和/或模拟的干扰数据快照提供相应的第二数据阵列,以及
处理单元,其被适配成使用干扰的经训练的数据模型从第二数据阵列导出观察到的干扰的本征矢量表示,并且被适配成基于观察到的干扰的被导出的本征矢量表示且基于通过经训练的数据模型提供的多个干扰的本征矢量表示来检测与观察到的干扰相似的干扰。
在根据本发明的第二方面的装置的可能实施例中,处理单元被适配成基于计算出的在观察到的干扰的被导出的本征矢量表示与通过经训练的数据模型提供的多个干扰的本征矢量表示之间的余弦距离来检测与观察到的干扰相似的干扰。
在根据本发明的第二方面的装置的进一步可能实施例中,处理单元被适配成依靠网络中的干扰之间的经识别的相似性来确定至少一个观察到的干扰的根本原因。
在根据本发明的第二方面的装置的仍进一步可能实施例中,处理单元被适配成依靠网络中的干扰之间的经识别的相似性来确定至少一个观察到的干扰的干扰类型。
在根据本发明的第二方面的装置的可能实施例中,存储器单元被适配成将第一数据阵列存储为四维数据阵列,其中每个条目xi、j、t、k指示相测量单元PMUi在时间t针对在所述网络中观察到的干扰k的测量类型j的测量结果X。
在根据本发明的第二方面的装置的进一步可能实施例中,网络是电力供应网,其包括每个被适配成测量能量流参数的多个相测量单元,所述能量流参数包括电力供应网的不同相的相电流和相电压及所述网络的本地网络频率。
本发明根据第三方面进一步提供了一种包括权利要求15的特征的网络。
本发明根据第三方面提供了一种网络,其包括
相测量单元,其每个被适配成测量能量流参数,所述能量流参数包括网络的不同相的相电流和相电压及本地网络频率,其中所述网络进一步包括用于网络中的干扰之间的相似性的自动识别的装置,
装置包括
存储器单元,其用于存储多个干扰数据快照的第一数据阵列,所述多个干扰数据快照中的每个被响应于在所述网络中观察到干扰而记录和/或模拟,
生成单元,其被适配成通过机器学习生成关于第一数据阵列训练的干扰的数据模型,其中经训练的数据模型提供每个干扰的本征矢量表示,
记录单元,其被适配成如果在所述网络的操作期间观察到干扰则记录干扰数据快照,并且被适配成针对记录的干扰数据快照提供相应的第二数据阵列,以及
处理单元,其被适配成使用干扰的经训练的数据模型从第二数据阵列导出观察到的干扰的本征矢量表示,并且被适配成基于观察到的干扰的被导出的本征矢量表示且基于通过经训练的数据模型提供的多个干扰的本征矢量表示来检测与观察到的干扰相似的干扰。
附图说明
在下文中,参考附图来较详细地描述本发明的不同方面的可能实施例。
图1示出了根据本发明的一方面的用于自动识别网络中的干扰之间的相似性的装置的可能示例性实施例的框图;
图2示出了根据本发明的进一步方面的用于自动识别网络中的干扰之间的相似性的方法的可能示例性实施例的流程图;
图3示出了根据本发明的进一步方面的网络的可能示例性实施例的示意图。
具体实施方式
如可以在图1中看到的那样,可将用于自动识别网络中的干扰之间的相似性的装置1链接到相应的网络2。在可能实施例中,网络2是诸如图3中图示的电力供应网,包括测量能量流参数的多个相测量单元(phase measurement unit)PMU。在如图1中示出的实施例中,装置1包括存储器单元3,其存储多个干扰数据快照的第一数据阵列DA1,所述多个干扰数据快照中的每个被响应于在网络2中观察到干扰或扰动而记录。在可能实施例中,还可以模拟数据快照。在可能实施例中,存储器单元3将四维数据阵列存储为第一数据阵列,其中每个条目xi、j、t、k指示相测量单元PMUi在时间t处针对在网络2中观察到的干扰k的测量类型j的测量结果X。
装置1进一步包括生成单元4,其被适配成通过机器学习生成关于从存储器单元3读取的第一数据阵列DA1训练的干扰的数据模型。由生成单元4生成的经训练的数据模型提供每个干扰的本征矢量表示。在优选实施例中,通过无监督机器学习生成干扰的数据模型。
装置1进一步包括记录单元5,其被适配成如果在网络2的操作期间观察到干扰则记录干扰数据快照PDS,并且被适配成针对记录的干扰数据快照提供相应的第二数据阵列DA2。在可能实施例中,通过四阶张量或数据阵列DA2来表示检测到的干扰的流式数据,所述四阶张量或数据阵列DA2在PMUi、测量类型j和时间t的前三个模式内具有与张量或第一阵列DA1相同的形状或形式,但具有尺寸1的最后模式,因为张量或第二数据阵列DA2保持单个干扰k的数据。网络2内的干扰k可以是例如对网络2的稳定性有影响的发电机跳闸或线路跳闸。电力供应网2的相测量单元PMU可以测量能量流参数。这些能量流参数在可能实施例中可以包括包含三个相L1、L2、L3的三相电力供应系统的三相电流I1、I2、I3和三相电压U1、U2、U3以及本地频率f。相测量单元PMU可以位于网络2内的特定地点处以监视整个电力供应网2的状态。相测量单元PMU以高分辨率提供测量结果X,其中可以例如经由GPS使测量结果时间同步。在可能实施例中,相测量单元可以以达到每秒120个样本的报告速率发送其测量值。为了比较不同位置的测量结果,在GPS时钟上以小于5秒的准确度来同步相测量单元PMU。用根据本发明的方法和装置,使通过相测量单元PMU检索的传入数据流与被存储在数据库中的一组情形相关是可能的。
如图1中图示的那样,装置1包括处理单元6,其被适配成使用由生成单元4提供的干扰的经训练的数据模型从由所述记录单元提供的第二数据阵列DA2导出观察到的干扰k的本征矢量表示。装置1的处理单元6被进一步适配成基于计算出的在观察到的干扰k的被导出的本征矢量表示并基于通过经训练的数据模型提供的多个干扰的本征矢量表示来检测与观察到的干扰相似的干扰。处理单元6被适配成在可能实施例中基于计算出的在观察到的干扰k的被导出的本征矢量表示与通过由生成单元4输出的经训练的数据模型tDM提供的多个干扰的本征矢量表示之间的余弦距离来检测与观察到的干扰k相似的干扰。
在根据本发明的装置1的进一步可能实施例中,处理单元6被进一步适配成依靠相应的网络2中的干扰之间的经识别的相似性来确定至少一个观察到的干扰的根本原因。处理单元6被进一步适配成在可能实施例中依靠网络2中的干扰之间的经识别的相似性来确定至少一个观察到的干扰的干扰类型。
在可能实施例中,用根据本发明的方法和装置,可以在离线阶段中挖掘数据库以提取干扰数据快照PDS。干扰数据快照PDS包括由网络2内的传感器提供的传感器数据,其发生在已在相应的网络2中观察到干扰或扰动之后的预定时间段中。在可能实施例中,传感器包括相测量单元PMU,其每个提供测量到的能量流参数的传感器数据,所述能量流参数包括相电流I1、I2、I3和相电压U1、U2、U3以及相测量单元PMU的相应地点处的本地网络频率f。在示例性实施例中,电力供应网2内的诸如相测量单元PMU之类的传感器向装置1提供七个时间序列传感器数据。如果电力供应网2包括N个相测量单元PMU,则获得的网络2的干扰数据快照包括7×N个时间序列数据。干扰数据快照PDS是在已观察到此类扰动或干扰之后的预定时间内的整个网络2的快照,包括用于不同网络参数的时间序列传感器数据。在可能实施例中,数据快照可以包括始于网络2内的过去的扰动的开始的若干秒的时间段内的传感器数据或时间序列数据。针对多组扰动或干扰的这些数据快照的收集可以由领域专家预先标记并且可以被组织在形成第一数据阵列DA1的四阶张量中。标记可以指示干扰已发生在哪里和其是什么种类的扰动,例如“土耳其中的发电机跳闸”。使用该四阶张量或数据阵列,在可能实施例中,可以执行被称为张量分解(tensor factorization)(PARAFAC)的机器学习技术,其可以在在线阶段中用作预先训练的数据模型。该数据模型的结果是干扰的本征表示,其以数值矢量形式描述每个干扰的特性。
在在线阶段中,如果检测到干扰,则提取并记录干扰数据快照PDS,其包括来自多个相测量单元PMU的传入数据。还可以在张量(即,针对记录的干扰数据快照的第二数据阵列DA2)中组织在网络2的操作期间观察到的干扰的该单个数据快照。给定该张量,利用在离线阶段中由生成单元4生成的预先训练的数据模型来导出干扰的本征表示。使用干扰的本征表示和通过关于第一数据阵列DA1训练的数据模型提供的多个干扰的多个本征表示,处理单元6可以通过计算出的在在在线阶段中观察到的干扰k的被导出的本征矢量表示与通过经训练的数据模型tDM提供的多个干扰的本征矢量表示之间的余弦距离的基础而在离线数据库或存储器单元3中检测相似扰动或干扰。根据检测到的相似干扰,处理单元6可以估计在网络2内观察到的干扰的可能的根本原因和位置。在已提取数据快照之后,甚至针对包括数千个相测量单元PMU的非常大的电力供应网,也可以自动地在数秒内实现相似干扰的检测。用根据本发明的方法和装置,利用张量中的数据的自然多维性是可能的,其允许考虑随时间推移从电力供应网2内的多个相测量单元PMU接收到的测量结果之间的多维相关性和依赖性。用本方法和装置,使用在先的张量分解作为数据模型来将观察到的数据投射在同一本征数据空间中以提供相似性检测。本方法在优选实施例中被完全无监督地执行。可独立于相应系统、在时间上的任何点处完成离线阶段中的耗时处理。在在线阶段中,可以在几秒内执行检测相似性,导致近实时的响应。进一步地,对网络2内的相似干扰的检测可以阐明遭遇的干扰的根本原因和/或位置。用根据本发明的方法和装置,可以将关于过去的扰动或干扰的经验和知识直接地传递到被监视的网络2内的当前观察到的扰动或干扰。
图2示出了根据本发明的方面的用于自动识别网络中的干扰之间的相似性的方法的可能示例性实施例的流程图。
在第一步骤S1中,提供了多个干扰数据快照PDS的第一数据阵列DA1,其中响应于在网络2内观察到干扰k而记录每个数据快照。网络2可以是包括测量能量流参数的多个相测量单元PMU的电力供应网。
在进一步步骤S2中,通过机器学习生成干扰的数据模型并关于第一数据阵列DA1对其进行训练,其中经训练的数据模型tDM提供多个干扰中的每个的本征矢量表示。
在进一步步骤S3中,如果在网络2的操作期间观察到干扰k,则记录干扰数据快照PDS,并且针对记录的干扰数据快照PDS提供相应的第二数据阵列DA2。
在进一步步骤S4中,使用干扰的经训练的数据模型tDM从第二数据阵列DA2导出观察到的干扰的本征矢量表示。
最后,在步骤S5中,基于观察到的干扰的被导出的本征矢量表示且基于通过经训练的数据模型tDM提供的多个干扰的本征矢量表示来检测与观察到的干扰k相似的干扰。在可能实施例中,基于计算出的在观察到的干扰k的被导出的本征矢量表示与通过经训练的数据模型tDM提供的多个干扰的本征矢量表示之间的余弦距离来检测与观察到的干扰相似的干扰。进一步地,在可能实施例中,依靠网络2中的干扰之间的经识别的相似性,可以自动地确定至少一个观察到的干扰的根本原因。此外,在进一步可能实施例中,依靠网络2中的干扰之间的经识别的相似性,可以在步骤S5中自动地确定至少一个观察到的干扰的干扰类型。
图3示出了根据本发明的进一步方面的网络2的示例性实施例。网络2是电力供应网2,其包括每个被适配成测量能量流参数的多个相测量单元PMU,所述能量流参数包括三相电力供应网的不同相L1、L2、L3的相电流I1、I2、I3和相电压U1、U2、U3以及相测量单元PMU的相应地点处的本地网络频率f。网络2包括至少一个网络控制器或装置,用于如图1中图示的电力供应网2中的干扰之间的相似性的自动识别。如图3中所示,电力供应网2在图示的实施例中包括通过发电厂符号表示的电力供应发电机。其可以是具有观察到的跳闸和不具有观察到的跳闸的电力供应发电机。在图3中示出的电力供应网2中,电力供应网包括12个电力供应发电机G1至G12,其中三个发电机G4、G7和G9提供执行电力供应网2内的干扰的发电机跳闸。在图3中图示的网络中,节点表示其中PMU测量的针对干扰的数据可用的变电站。为了识别新遭遇的干扰的位置和时间,使用区域数据来识别观察到的干扰中的相似性。在图3中示出的示例性电力供应网2中,存在发电厂或电力供应发电机的三个不同集群。用根据本发明的方法和装置,向不同的集群分配将来的干扰或发电机跳闸是可能的。可以将其应用于电力供应传输线的线路跳闸,其中最相似的线路跳闸或干扰可以提供新观察到的线路跳闸最可能发生在电力供应网2内的哪里的暗示。用根据本发明的方法和装置,提供干扰的离线数据库是可能的,其覆盖所监视的子网内和外部的感兴趣区域中的各种类型的干扰,例如针对线路和发电机跳闸。用该离线数据库,将新观察到的干扰分配给被存储在离线数据库中的最相似的干扰是可能的。用根据本发明的方法和装置,通过使用张量分解来识别干扰之间的相似性和流式传输的高分辨率传输网数据是可能的。
Claims (15)
1.一种用于自动识别网络(2)中的干扰之间的相似性的方法,
所述方法包括:
- 提供(S1)多个干扰数据快照的第一数据阵列(DA1),所述多个干扰数据快照中的每个被响应于在所述网络(2)中观察到干扰而记录和/或模拟;
- 通过机器学习生成(S2)关于第一数据阵列(DA1)训练的干扰的数据模型,其中经训练的数据模型(tDM)提供每个干扰的本征矢量表示;
- 如果在所述网络(2)的操作期间观察到干扰,则记录(S3)和/或模拟干扰数据快照,并且针对记录和/或模拟的干扰数据快照提供相应的第二数据阵列(DA2);
- 使用干扰的经训练的数据模型(tDM)从第二数据阵列(DA2)导出(S4)观察到的干扰的本征矢量表示;以及
- 基于观察到的干扰的被导出的本征矢量表示且基于通过经训练的数据模型(tDM)提供的多个干扰的本征矢量表示来检测(S5)与观察到的干扰相似的干扰。
2.根据权利要求1的方法,其中所述网络(2)是包括测量能量流参数的多个相测量单元PMU的电力供应网。
3.根据权利要求2的方法,其中测量到的能量流参数包括电力供应网(2)的不同相的相电流和相电压及本地网络频率。
4.根据前述权利要求2或3中的一个的方法,其中第一数据阵列(DA1)是四维数据阵列,
其中每个条目xi、j、t、k指示由相测量单元PMUi在时间t针对在所述网络(2)中观察到的干扰k的类型j的测量结果X。
5.根据前述权利要求1至4中的任一个的方法,其中基于计算出的在观察到的干扰的被导出的本征矢量表示与通过经训练的数据模型(tDM)提供的多个干扰的本征矢量表示之间的余弦距离来检测与观察到的干扰相似的干扰。
6.根据前述权利要求1至5中的任一个的方法,其中通过无监督机器学习生成干扰的数据模型。
7.根据前述权利要求1至6中的任一个的方法,其中依靠网络(2)中的干扰之间的经识别的相似性来确定至少一个观察到的干扰的根本原因。
8.根据前述权利要求1至7中的任一个的方法,其中依靠网络(2)中的干扰之间的经识别的相似性来确定至少一个观察到的干扰的干扰类型。
9.一种用于网络(2)中的干扰之间的相似性的自动识别的装置,
所述装置(1)包括:
- 存储器单元(3),其用于存储多个干扰数据快照的第一数据阵列(DA1),所述多个干扰数据快照中的每个被响应于在所述网络(2)中观察到干扰而记录和/或模拟;
- 生成单元(4),其被适配成通过机器学习生成关于第一数据阵列(DA1)训练的干扰的数据模型,
其中经训练的数据模型(tDM)提供每个干扰的本征矢量表示;
- 记录单元(5),其被适配成如果在所述网络(2)的操作期间观察到干扰则记录和/或模拟干扰数据快照,并且被适配成针对记录和/或模拟的干扰数据快照提供相应的第二数据阵列(DA2);以及
- 处理单元(6),其被适配成使用干扰的经训练的数据模型(tDM)从第二数据阵列(DA2)导出观察到的干扰的本征矢量表示,并且被适配成基于观察到的干扰的被导出的本征矢量表示且基于通过经训练的数据模型(tDM)提供的多个干扰的本征矢量表示来检测与观察到的干扰相似的干扰。
10.根据权利要求9的装置,其中处理单元(6)被适配成基于计算出的在观察到的干扰的被导出的本征矢量表示与通过经训练的数据模型(tDM)提供的多个干扰的本征矢量表示之间的余弦距离来检测与观察到的干扰相似的干扰。
11.根据前述权利要求9或10中的任一个的装置,其中处理单元(6)被适配成依靠网络(2)中的干扰之间的经识别的相似性来确定至少一个观察到的干扰的根本原因。
12.根据前述权利要求1至11中的任一个的装置,其中所述处理单元(6)被适配成依靠网络(2)中的干扰之间的经识别的相似性来确定至少一个观察到的干扰的干扰类型。
13.根据前述权利要求9至12中的任一个的装置,其中所述存储器单元(3)将第一数据阵列(DA1)存储为四维数据阵列,其中每个条目xi、j、t、k指示相测量单元PMUi在时间t针对在所述网络(2)中观察到的干扰k的测量类型j的测量结果X。
14.根据前述权利要求9至13中的任一个的装置,其中所述网络(2)是电力供应网,其包括被适配成测量能量流参数的多个相测量单元,所述能量流参数包括电力供应网(2)的不同相的相电流和相电压及所述网络(2)的本地网络频率。
15.一种网络,包括:
相测量单元PMU,其被适配成测量能量流参数,所述能量流参数包括网络(2)的不同相的相电流和相电压及本地网络频率,
所述网络(2)进一步被连接到根据前述权利要求9至14中的任一个的用于网络(2)中的干扰之间的相似性的自动识别的装置(1)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP15197030.8 | 2015-11-30 | ||
EP15197030.8A EP3173991A1 (en) | 2015-11-30 | 2015-11-30 | Method and apparatus for automatic recognizing similarities between perturbations in a network |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107016399A true CN107016399A (zh) | 2017-08-04 |
Family
ID=54843602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611080565.0A Pending CN107016399A (zh) | 2015-11-30 | 2016-11-30 | 用于自动识别网络中的干扰之间的相似性的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10401818B2 (zh) |
EP (1) | EP3173991A1 (zh) |
CN (1) | CN107016399A (zh) |
BR (1) | BR102016027634A2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190377982A1 (en) * | 2017-02-24 | 2019-12-12 | Omron Corporation | Processing method, system, program, and storage medium for generating learning data, and learning data generation method and system |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3422518B1 (en) * | 2017-06-28 | 2020-06-17 | Siemens Aktiengesellschaft | A method for recognizing contingencies in a power supply network |
EP3422517B1 (en) * | 2017-06-28 | 2020-04-15 | Siemens Aktiengesellschaft | A method for recognizing contingencies in a power supply network |
US10825071B2 (en) | 2018-04-09 | 2020-11-03 | International Business Machines Corporation | Adaptive multi-perceptual similarity detection and resolution |
EP3828655B1 (de) * | 2019-11-28 | 2022-05-18 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur fehlerursachenbestimmung eines fehlers in einer elektrischen schaltung |
CN112377817B (zh) * | 2020-11-11 | 2022-06-14 | 杭州电子科技大学 | 一种市政管网爆管监测系统及方法 |
CN113077159B (zh) * | 2021-04-13 | 2023-12-15 | 中能融合智慧科技有限公司 | 数据处理方法及数据处理装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090076749A1 (en) * | 2007-05-16 | 2009-03-19 | Edsa Micro Corporation | Electrical power system modeling, design, analysis, and reporting via a client-server application framework |
US20130312092A1 (en) * | 2012-05-11 | 2013-11-21 | Wintermute, Llc | System and method for forensic cyber adversary profiling, attribution and attack identification |
US20150096026A1 (en) * | 2013-03-15 | 2015-04-02 | Cyberricade, Inc. | Cyber security |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1416603B1 (en) * | 2002-11-01 | 2015-01-21 | ABB Research Ltd. | Protection of an electric power transmission network |
US7499816B2 (en) * | 2006-12-12 | 2009-03-03 | Abb Research Ltd. | Estimation of real-time power system quantities using time-synchronized measurements |
US9135241B2 (en) * | 2010-12-08 | 2015-09-15 | At&T Intellectual Property I, L.P. | System and method for learning latent representations for natural language tasks |
-
2015
- 2015-11-30 EP EP15197030.8A patent/EP3173991A1/en not_active Ceased
-
2016
- 2016-11-22 US US15/358,307 patent/US10401818B2/en active Active
- 2016-11-24 BR BR102016027634A patent/BR102016027634A2/pt not_active Application Discontinuation
- 2016-11-30 CN CN201611080565.0A patent/CN107016399A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090076749A1 (en) * | 2007-05-16 | 2009-03-19 | Edsa Micro Corporation | Electrical power system modeling, design, analysis, and reporting via a client-server application framework |
US20130312092A1 (en) * | 2012-05-11 | 2013-11-21 | Wintermute, Llc | System and method for forensic cyber adversary profiling, attribution and attack identification |
US20150096026A1 (en) * | 2013-03-15 | 2015-04-02 | Cyberricade, Inc. | Cyber security |
Non-Patent Citations (2)
Title |
---|
宋晓娜等: "基于WAMS的电网扰动识别方法", 《电力系统自动化》 * |
尹柏强: "一种广义S 变换及模糊SOM 网络的电能质量多扰动检测和识别方法", 《中国电机工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190377982A1 (en) * | 2017-02-24 | 2019-12-12 | Omron Corporation | Processing method, system, program, and storage medium for generating learning data, and learning data generation method and system |
US11615269B2 (en) * | 2017-02-24 | 2023-03-28 | Omron Corporation | Processing method, system, program, and storage medium for generating learning data, and learning data generation method and system |
Also Published As
Publication number | Publication date |
---|---|
US10401818B2 (en) | 2019-09-03 |
US20170153615A1 (en) | 2017-06-01 |
EP3173991A1 (en) | 2017-05-31 |
BR102016027634A2 (pt) | 2017-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016399A (zh) | 用于自动识别网络中的干扰之间的相似性的方法和装置 | |
Cui et al. | Enhance high impedance fault detection and location accuracy via $\mu $-PMUs | |
EP3422518B1 (en) | A method for recognizing contingencies in a power supply network | |
CN108628253A (zh) | 异常检测装置以及机器学习装置 | |
WO2017216673A1 (en) | A method and system for dynamic fault detection in an electric grid | |
CN101090250A (zh) | 用于同步发电机的励磁系统的快速建模和验证的方法和系统 | |
CN107633155A (zh) | 用于组件故障树的基于计算机的生成的方法和设备 | |
EP3422517B1 (en) | A method for recognizing contingencies in a power supply network | |
CN109238455B (zh) | 一种基于图论的旋转机械振动信号监测方法及系统 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN109034400A (zh) | 一种变电站异常量测数据预测平台系统 | |
KR20120137623A (ko) | 전력설비 모니터링 시스템 및 방법 | |
CN110222765A (zh) | 一种永磁同步电机健康状态监测方法及系统 | |
CN107247222A (zh) | 一种变电站接地网故障诊断方法 | |
CN115576284A (zh) | 一种服装车间智能化管理方法及系统 | |
CN107944721A (zh) | 一种通用的基于数据挖掘的机器学习方法、装置以及系统 | |
CN108009063A (zh) | 一种电子设备故障阈值检测的方法 | |
CN110333440A (zh) | 断路器的检测方法、检测装置、计算机设备以及存储介质 | |
WO2016136391A1 (ja) | 事故点標定装置及び方法、電力系統監視システム、設備計画支援システム | |
CN107977626A (zh) | 一种电子设备工作数据的分组方法 | |
Hossain et al. | Distribution high impedance fault location using localized voltage magnitude measurements | |
CN106646106A (zh) | 基于变点探测技术的电网故障检测方法 | |
Hossain et al. | Online monitoring of inter-area oscillations and damping of power systems employing prony analysis | |
CN103868747B (zh) | 一种基于时间序列符号化的结构损伤识别系统与识别方法 | |
CN107576864A (zh) | 自学习式继电保护自动测试方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170804 |