CN107134778A - 基于互联网直流侧电压自适应调节apf 电流预测控制方法 - Google Patents
基于互联网直流侧电压自适应调节apf 电流预测控制方法 Download PDFInfo
- Publication number
- CN107134778A CN107134778A CN201710534307.3A CN201710534307A CN107134778A CN 107134778 A CN107134778 A CN 107134778A CN 201710534307 A CN201710534307 A CN 201710534307A CN 107134778 A CN107134778 A CN 107134778A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- current
- current locus
- mover
- 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
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
- H02J3/1821—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators
- H02J3/1835—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control
- H02J3/1842—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control wherein at least one reactive element is actively controlled by a bridge converter, e.g. active filters
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/20—Active power filtering [APF]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明属于电流预测技术领域,公开了一种基于互联网直流侧电压自适应调节APF电流预测控制方法,动态补偿的电流信号通过信号线连接服务器,服务器通过互联网将信号传送至电网监控终端,实现实时监控。本发明采用互联网实现了预测结果及时的发送至终端,便于工作人员及时获知,提高设备运行的安全性和稳定性;基于预测控制实现,不需要PWM方法复杂的调制环节,结构简单;实现了APF直流侧电压的自适应调节,可根据待补偿电流和电网电压大小实时调整直流侧电压,在保证APF输出性能的同时保持了较小的电流纹波和功率损耗,提升了APF补偿性能。
Description
技术领域
本发明属于电流预测技术领域,尤其涉及一种基于互联网直流侧电压自适应调节APF电流预测控制方法。
背景技术
非线性负载产生的谐波或无功电流会使电网的电能质量下降,影响社会生产生活,造成经济损失。在谐波或无功电流成分复杂且时变的情况下,传统LC无源滤波器越来越不能满足电力系统对电能质量的要求。有源电力滤波器(ActivePowerFilter,APF)有效克服了传统方法的缺点,成为了补偿谐波或无功电流的重要方式,其通过向电网注入与待补偿电流方向相反的补偿电流,使电源只输出基波电流或基波有功电流,达到动态补偿的目的,能对频率和幅值都变化的待补偿电流进行补偿,且补偿性能不受电网阻抗的影响。APF传统控制方法采用PI调节器将直流侧电压控制为恒定值,这种控制方法无法根据电网电压波动和负载变化对直流侧电压进行动态调节,在电网电压偏低或待补偿电流幅值较低时补偿电流纹波相对较大且存在不必要的开关损耗,电网电压偏高或待补偿电流幅值较高时APF输出性能可能出现不足。
综上所述,现有技术存在的问题是:AP传统控制方法无法对直流侧电压进行动态调节,导致电力系统工况变化时APF补偿性能下降。
发明内容
针对现有技术存在的问题,本发明提供了一种基于互联网直流侧电压自适应调节APF电流预测控制方法。
本发明是这样实现的,一种基于互联网直流侧电压自适应调节APF电流预测控制方法,所述基于互联网直流侧电压自适应调节APF电流预测控制方法包括以下步骤:
步骤一,设APF三相桥臂的开关状态函数分别为Sa、Sb、Sc,三相桥臂的上桥臂开关器件开通以1表示,下桥臂开关器件开通以0表示,两电平APF共可产生8种开关状态,对开关状态进行αβ变换表示为矢量形式Sn,n=0~7,由8种开关状态得到APF可输出的8个电压矢量vn,n=0~7;
步骤二,由三相待补偿电流iha、ihb、ihc得待补偿电流矢量ih,由三相电网电压ea、eb、ec得电网电压矢量e,由APF输出的三相补偿电流ica、icb、icc得补偿电流矢量ic;
步骤三,根据电网电压矢量e以及待补偿电流矢量ih,计算每个采样周期内APF需要的直流侧电压并提取在一个工频周期内的幅值,得到直流侧电压参考值然后将直流侧电压实际值Vdc与直流侧电压参考值之间的误差经比例放大后乘以电网电压矢量e,再与待补偿电流矢量ih叠加,作为补偿电流参考值i*;
步骤四,根据电网电压矢量e、补偿电流矢量ic以及直流侧电压实际值Vdc,计算8个开关状态Sn分别作用下APF可输出的补偿电流预测值;
步骤五,根据价值函数,在8个开关状态Sn中,选择使补偿电流预测值与补偿电流参考值i*最接近的开关状态,控制APF向电网注入补偿电流,使电源只输出基波电流或基波有功电流,实现动态补偿;
步骤六,动态补偿的电流信号通过信号线连接服务器,服务器通过互联网将信号传送至电网监控终端,实现实时监控;
所述服务器对接收到的时频重叠MPSK信号能量算子取绝对值并作FFT得到能量算子谱的实施按以下进行:
时频重叠MPSK的信号模型表示为:
其中,N为时频重叠信号的信号分量个数,n(t)是加性高斯白噪声,si(t)为时频重叠信号的信号分量,式中Ai表示信号分量的幅度,an表示信号分量的第n个符号,p(t)表示成型滤波函数,Tbi表示信号分量的码元周期,wci表示信号分量的载波频率;
对时频重叠MPSK信号的能量算子取绝对值:
z(n)=|x(n)2-x(n-1)x(n+1)|;
其中,x(n)表示接收到的时频重叠MPSK信号的第n个取样点;
对z(n)做FFT,得到时频重叠信号的能量算子谱S(f):
S(f)=FFT(z(n));
所述电网监控终端对根据电流轨迹空间密度将电流轨迹划分成若干电流轨迹段;通过计算各电流轨迹段在空间、时间、速度和方向上的距离来判断电流轨迹段间的相似度;将第一次聚类结果中的非显著簇有条件地并入邻近的显著簇,以体现出具备全局重要性的路径分布形态;
具体步骤为:
步骤一,概念和定义
电流轨迹:电流轨迹TRi定义:TRi={p1,p2,…,pk},其中pk={xk,yk,tk},分别代表该点的二维空间坐标和采用时间;
电流轨迹段:为电流轨迹TRi内连续的部分三维点集,如:SubTrajectorys={p1,…,pk}(1≤s≤k),k为该电流轨迹段所属电流轨迹的采样点总数;
计算最长公共子序列并转化为LCSS距离可以衡量电流轨迹间的相似程度,LCSS的计算一般通过递归方式:
式中:LCSS(R,S)表示时空电流轨迹R与S间的LCSS长度,δ和ψ分别表示x轴和y轴上的相似阈值;
电流轨迹段速度:电流轨迹段的速度通过该电流轨迹段所有采用点中的最小速度、最大速度和平均速度来衡量:
其中,ωm+ωa≤1,vmin为电流轨迹段中速度最低值,vmax为电流轨迹段中速度最高值,i和j分别为该电流轨迹段采样点的下标,对于一条电流轨迹段多个采样点,速度都是不相同的,将具有相似速度结构的电流轨迹段聚集在一块;
电流轨迹段方向:为电流轨迹段始末采样点之间形成的角度,也称运动方向角:
其中,(xs,ys)电流轨迹段起点,(xe,ye)为电流轨迹段终点;
ξ邻域Nx(Li):对于电流轨迹段Li,给定邻近阈值ξ,如果存在电流轨迹段Lj,满足Nx(Li)={Li危D|d(Li,Lj)l,i j},其中,D为所有电流轨迹段数据集合,d(Li,Lj)为两电流轨迹段的距离,电流轨迹段领域用以在DBSCAN电流轨迹密度聚类中,判断每个电流轨迹段的当前空间密度,进而将空间密度较大的电流轨迹段聚为同一组;
断点:假设存在一电流轨迹段,位于该电流轨迹段上的任何两点之间的距离不超过阈值ε,并且这段子电流轨迹的采样点数s大于阈值Ε,则将这段子电流轨迹中的第1和最后1个采样点设置为断点,同时将位于该段子电流轨迹上其余的点删除,这实际上表示如果某电流轨迹段在空间上的密度和采用点数量达到一定程度,即可认为该电流轨迹段包含了断点,显然,如果一条电流轨迹上有2×t个断点,则该电流轨迹被分割为t+1个电流轨迹段;当横坐标差小于δ且纵坐标差小于ψ时,认为记录点相似,LCSS值加1,当电流轨迹记录点数都为0时,LCSS(R,S)为0;若记录点个数不为0,则用递归的方式判断共有子序列长度的最大值,用LCSS计算电流轨迹段的空间和时间相似性;
步骤二,电流轨迹时空聚类:电流轨迹段之间的相似性计算包括4方面:空间相似性spatialSIM、时间相似性tempoSIM、方向相似性OrientSIM和速度相似性velocitySIM,结合得到一个统一的表达电流轨迹段相似性公式:
subSIM=sigmod(ws创spatialSIM+wt tempoSIM+wo创OrientSIM+wvvelocitySIM),
且ws+wt+wo+wv=1
其中,sigmoid()函数为归一化公式;spatialSIM与tempoSIM基于LCSS计算获取,OrientSIM和velocitySIM直接采用两条电流轨迹该属性的差值绝对值表示即可;
步骤三,利用电流轨迹段相似性公式,设聚类簇C中包含的电流轨迹数目为簇基数ncb,簇基数nb与该聚类中电流轨迹段数目nc之比为簇显著度ncs,给定阈值τ和γ,进行如下定义:
显著簇:Cpro={C|C吻O ncb>t ncs g},其中,O为第一次聚类的结果集,即簇基数nb高于τ且簇显著度ns高于γ聚类称为显著簇;
非显著簇:Cunpro={C|C吻O C Opro},其中,Opro为显著簇集合,即显著簇之外的聚类都为非显著簇;非显著簇的处理过程如下:
对DBSCAN聚类结果O进行判断,获取显著簇集合Opro与非显著簇集合Ounpro;从Ounpro依次取出聚类簇Cunpro,如果Cunpro距离最近的显著簇Cpro的阈值小于μ,则将Cunpro归并到Cpro,否则,删除Ounpro。
所述电网监控终端依据评分矩阵Rm×n,用fcos,fcor,fadj分别计算电网用户三种不同的相似度矩阵FCOS,FCOR,FADJ,从相似度矩阵中知道任意两个电网用户之间的相似度;fcos:模糊加权余弦相似性;fcor:模糊加权相关相似性;fadj:模糊加权修正余弦相似性;
fcos,fcor,fadj通过引入模糊权重wc,模糊加权余弦相似性、模糊加权相关相似性和模糊加权修正余弦相似性的定义如下:
ri,c表示电网用户Ui对项目Ic的评分,和分别表示电网用户Ui和电网用户Uj的平均评分;
fcos中wc求得的方法:
模糊向量中的元素个数是由模糊集的个数决定,评分的隶属函数为:
r=4时,相应的二元隶属向量为任取电网用户Ui和电网用户Uj共同评价过的推荐项目Ic∈Iij,向量和关于推荐项目Ic∈Iij的模糊权重wc为:
其中表示向量和之间的欧式距离,l为向量的维数,为向量中的第k个元素;在wc中,用减去其它值是因为为的最大值(对于向量的dis(·));
fcor和fadj中wc的求得方法:
电网用户Ui和电网用户Uj对共同评分过的推荐项目Ic∈Iij的评分与各自评分均值的偏差为devic和devjc;分别用verybad(vb)、bad(b)、fair(f)、good(g)、very good(vg)表示5个模糊集,由5个模糊集组成评分偏差的隶属函数为:
devic=2.7,根据隶属函数的定义,隶属向量为:对于向量和关于推荐项目c∈Iij的模糊权重wc为:
其中表示向量和之间的欧式距离,l为向量的维数,为向量的第k个元素;在wc中,用减去其它值是因为为的最大值(对于的dis(·))。
进一步,所述电网监控终端的渗透测试的具体实现方法为:
信息搜集测试,渗透测试工程师询问管理员总线结构、协议类型、资产重要等级信息,利用专用协议寻址软件进行网络扫描,了解工控网络内的存活终端和终端地址,进行信息搜集测试;
搜集系统漏洞,渗透测试工程师在www.us-cert.gov/control_systems/ics-cert/美国工业控制系统信息安全应急响应小组网站、www.scadahacker.com工控安全相关的专业论坛查找最新的漏洞信息、专用编程系统漏洞;
漏洞扫描,渗透测试工程师通过使用如NESSUS的SCADA插件对下位机设备进行漏洞扫描,发现已知漏洞及漏洞严重程度;
搜集固件漏洞,渗透测试工程师通过下位机设备生产厂商的安全公告里查询其设备的漏洞信息及最新固件版本,通过对比下位机设备是否已经及时升级更新到最新的固件版本来确定漏洞的存在;
漏洞利用测试,渗透测试工程师使用METASPOLOIT等工具编写下位机漏洞利用程序、或者在工控安全相关的专业论坛收集漏洞利用程序,对漏洞的严重性进行测试与验证;
下载代码测试,渗透测试工程师通过专用编程软件或者命令调试软件了解终端设备的设置情况,如是否允许源代码下载、是否允许编译代码下载、是否对代码进行加密、是否能够远程读取等信息;
上传代码测试,渗透测试工程师使用伪造的工程师站,利用编程系统软件或者命令调试软件对终端进行固件升级或者代码更新,测试是否能够成功执行新的代码;
下位机指令测试,渗透测试工程使用SNIFFER等数据包嗅探软件捕获数据链路层、网络层、传输层、应用层网获取终端传输数据,利用专用协议分析器查看数据包内容和发送地址与目的地址,修改其数据,重新发送,查看子站是否接受并执行;
上位机指令测试,渗透测试工程使用SNIFFER等数据包嗅探软件捕获数据链路层、网络层、传输层、应用层网获取上位机传输数据,利用专用协议分析器查看指令内容和发送地址与原地址,修改其主站指令,伪造上位机对下位机的指令,查看子站是否接受并执行;
拒绝服务测试,渗透测试工程师通过发送大量的广播报文,填充被控站的数据缓冲区,使被控站无法正常接收主站发送的数据。
本发明的优点及积极效果为:采用互联网实现了预测结果及时的发送至终端,便于工作人员及时获知,提高设备运行的安全性和稳定性;基于预测控制实现,不需要PWM方法复杂的调制环节,结构简单;实现了APF直流侧电压的自适应调节,可根据待补偿电流和电网电压大小实时调整直流侧电压,在保证APF输出性能的同时保持了较小的电流纹波和功率损耗,提升了APF补偿性能。
附图说明
图1是本发明实施例提供的基于互联网直流侧电压自适应调节APF电流预测控制方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于互联网直流侧电压自适应调节APF电流预测控制方法包括以下步骤:
S101:设APF三相桥臂的开关状态函数分别为Sa、Sb、Sc,三相桥臂的上桥臂开关器件开通以1表示,下桥臂开关器件开通以0表示,两电平APF共可产生8种开关状态,对开关状态进行αβ变换表示为矢量形式Sn,n=0~7,由8种开关状态得到APF可输出的8个电压矢量vn,n=0~7;
S102:由三相待补偿电流iha、ihb、ihc得待补偿电流矢量ih,由三相电网电压ea、eb、ec得电网电压矢量e,由APF输出的三相补偿电流ica、icb、icc得补偿电流矢量ic;
S103:根据电网电压矢量e以及待补偿电流矢量ih,计算每个采样周期内APF需要的直流侧电压并提取在一个工频周期内的幅值,得到直流侧电压参考值然后将直流侧电压实际值Vdc与直流侧电压参考值之间的误差经比例放大后乘以电网电压矢量e,再与待补偿电流矢量ih叠加,作为补偿电流参考值i*;
S104:根据电网电压矢量e、补偿电流矢量ic以及直流侧电压实际值Vdc,计算8个开关状态Sn分别作用下APF可输出的补偿电流预测值;
S105:根据价值函数,在8个开关状态Sn中,选择使补偿电流预测值与补偿电流参考值i*最接近的开关状态,控制APF向电网注入补偿电流,使电源只输出基波电流或基波有功电流,实现动态补偿;
S106:动态补偿的电流信号通过信号线连接服务器,服务器通过互联网将信号传送至电网监控终端,实现实时监控。
所述服务器对接收到的时频重叠MPSK信号能量算子取绝对值并作FFT得到能量算子谱的实施按以下进行:
时频重叠MPSK的信号模型表示为:
其中,N为时频重叠信号的信号分量个数,n(t)是加性高斯白噪声,si(t)为时频重叠信号的信号分量,式中Ai表示信号分量的幅度,an表示信号分量的第n个符号,p(t)表示成型滤波函数,Tbi表示信号分量的码元周期,wci表示信号分量的载波频率;
对时频重叠MPSK信号的能量算子取绝对值:
z(n)=|x(n)2-x(n-1)x(n+1)|;
其中,x(n)表示接收到的时频重叠MPSK信号的第n个取样点;
对z(n)做FFT,得到时频重叠信号的能量算子谱S(f):
S(f)=FFT(z(n))。
所述电网监控终端对根据电流轨迹空间密度将电流轨迹划分成若干电流轨迹段;通过计算各电流轨迹段在空间、时间、速度和方向上的距离来判断电流轨迹段间的相似度;将第一次聚类结果中的非显著簇有条件地并入邻近的显著簇,以体现出具备全局重要性的路径分布形态;
具体步骤为:
步骤一,概念和定义
电流轨迹:电流轨迹TRi定义:TRi={p1,p2,…,pk},其中pk={xk,yk,tk},分别代表该点的二维空间坐标和采用时间;
电流轨迹段:为电流轨迹TRi内连续的部分三维点集,如:SubTrajectorys={p1,…,pk}(1≤s≤k),k为该电流轨迹段所属电流轨迹的采样点总数;
计算最长公共子序列并转化为LCSS距离可以衡量电流轨迹间的相似程度,LCSS的计算一般通过递归方式:
式中:LCSS(R,S)表示时空电流轨迹R与S间的LCSS长度,δ和ψ分别表示x轴和y轴上的相似阈值;
电流轨迹段速度:电流轨迹段的速度通过该电流轨迹段所有采用点中的最小速度、最大速度和平均速度来衡量:
其中,ωm+ωa≤1,vmin为电流轨迹段中速度最低值,vmax为电流轨迹段中速度最高值,i和j分别为该电流轨迹段采样点的下标,对于一条电流轨迹段多个采样点,速度都是不相同的,将具有相似速度结构的电流轨迹段聚集在一块;
电流轨迹段方向:为电流轨迹段始末采样点之间形成的角度,也称运动方向角:
其中,(xs,ys)电流轨迹段起点,(xe,ye)为电流轨迹段终点;
ξ邻域Nx(Li):对于电流轨迹段Li,给定邻近阈值ξ,如果存在电流轨迹段Lj,满足Nx(Li)={Li危D|d(Li,Lj)l,i j},其中,D为所有电流轨迹段数据集合,d(Li,Lj)为两电流轨迹段的距离,电流轨迹段领域用以在DBSCAN电流轨迹密度聚类中,判断每个电流轨迹段的当前空间密度,进而将空间密度较大的电流轨迹段聚为同一组;
断点:假设存在一电流轨迹段,位于该电流轨迹段上的任何两点之间的距离不超过阈值ε,并且这段子电流轨迹的采样点数s大于阈值Ε,则将这段子电流轨迹中的第1和最后1个采样点设置为断点,同时将位于该段子电流轨迹上其余的点删除,这实际上表示如果某电流轨迹段在空间上的密度和采用点数量达到一定程度,即可认为该电流轨迹段包含了断点,显然,如果一条电流轨迹上有2×t个断点,则该电流轨迹被分割为t+1个电流轨迹段;当横坐标差小于δ且纵坐标差小于ψ时,认为记录点相似,LCSS值加1,当电流轨迹记录点数都为0时,LCSS(R,S)为0;若记录点个数不为0,则用递归的方式判断共有子序列长度的最大值,用LCSS计算电流轨迹段的空间和时间相似性;
步骤二,电流轨迹时空聚类:电流轨迹段之间的相似性计算包括4方面:空间相似性spatialSIM、时间相似性tempoSIM、方向相似性OrientSIM和速度相似性velocitySIM,结合得到一个统一的表达电流轨迹段相似性公式:
subSIM=sigmod(ws创spatialSIM+wt tempoSIM+wo创OrientSIM+wvvelocitySIM),
且ws+wt+wo+wv=1
其中,sigmoid()函数为归一化公式;spatialSIM与tempoSIM基于LCSS计算获取,OrientSIM和velocitySIM直接采用两条电流轨迹该属性的差值绝对值表示即可;
步骤三,利用电流轨迹段相似性公式,设聚类簇C中包含的电流轨迹数目为簇基数ncb,簇基数nb与该聚类中电流轨迹段数目nc之比为簇显著度ncs,给定阈值τ和γ,进行如下定义:
显著簇:Cpro={C|C吻O ncb>t ncs g},其中,O为第一次聚类的结果集,即簇基数nb高于τ且簇显著度ns高于γ聚类称为显著簇;
非显著簇:Cunpro={C|C吻O C Opro},其中,Opro为显著簇集合,即显著簇之外的聚类都为非显著簇;非显著簇的处理过程如下:
对DBSCAN聚类结果O进行判断,获取显著簇集合Opro与非显著簇集合Ounpro;从Ounpro依次取出聚类簇Cunpro,如果Cunpro距离最近的显著簇Cpro的阈值小于μ,则将Cunpro归并到Cpro,否则,删除Ounpro。
所述电网监控终端依据评分矩阵Rm×n,用fcos,fcor,fadj分别计算电网用户三种不同的相似度矩阵FCOS,FCOR,FADJ,从相似度矩阵中知道任意两个电网用户之间的相似度;fcos:模糊加权余弦相似性;fcor:模糊加权相关相似性;fadj:模糊加权修正余弦相似性;
fcos,fcor,fadj通过引入模糊权重wc,模糊加权余弦相似性、模糊加权相关相似性和模糊加权修正余弦相似性的定义如下:
ri,c表示电网用户Ui对项目Ic的评分,和分别表示电网用户Ui和电网用户Uj的平均评分;
fcos中wc求得的方法:
模糊向量中的元素个数是由模糊集的个数决定,评分的隶属函数为:
r=4时,相应的二元隶属向量为任取电网用户Ui和电网用户Uj共同评价过的推荐项目Ic∈Iij,向量和关于推荐项目Ic∈Iij的模糊权重wc为:
其中表示向量和之间的欧式距离,l为向量的维数,为向量中的第k个元素;在wc中,用减去其它值是因为为的最大值(对于向量的dis(·));
fcor和fadj中wc的求得方法:
电网用户Ui和电网用户Uj对共同评分过的推荐项目Ic∈Iij的评分与各自评分均值的偏差为devic和devjc;分别用verybad(vb)、bad(b)、fair(f)、good(g)、very good(vg)表示5个模糊集,由5个模糊集组成评分偏差的隶属函数为:
devic=2.7,根据隶属函数的定义,隶属向量为:对于向量和关于推荐项目c∈Iij的模糊权重wc为:
其中表示向量和之间的欧式距离,l为向量的维数,为向量的第k个元素;在wc中,用减去其它值是因为为的最大值(对于的dis(·))。
所述电网监控终端的渗透测试的具体实现方法为:
信息搜集测试,渗透测试工程师询问管理员总线结构、协议类型、资产重要等级信息,利用专用协议寻址软件进行网络扫描,了解工控网络内的存活终端和终端地址,进行信息搜集测试;
搜集系统漏洞,渗透测试工程师在www.us-cert.gov/control_systems/ics-cert/美国工业控制系统信息安全应急响应小组网站、www.scadahacker.com工控安全相关的专业论坛查找最新的漏洞信息、专用编程系统漏洞;
漏洞扫描,渗透测试工程师通过使用如NESSUS的SCADA插件对下位机设备进行漏洞扫描,发现已知漏洞及漏洞严重程度;
搜集固件漏洞,渗透测试工程师通过下位机设备生产厂商的安全公告里查询其设备的漏洞信息及最新固件版本,通过对比下位机设备是否已经及时升级更新到最新的固件版本来确定漏洞的存在;
漏洞利用测试,渗透测试工程师使用METASPOLOIT等工具编写下位机漏洞利用程序、或者在工控安全相关的专业论坛收集漏洞利用程序,对漏洞的严重性进行测试与验证;
下载代码测试,渗透测试工程师通过专用编程软件或者命令调试软件了解终端设备的设置情况,如是否允许源代码下载、是否允许编译代码下载、是否对代码进行加密、是否能够远程读取等信息;
上传代码测试,渗透测试工程师使用伪造的工程师站,利用编程系统软件或者命令调试软件对终端进行固件升级或者代码更新,测试是否能够成功执行新的代码;
下位机指令测试,渗透测试工程使用SNIFFER等数据包嗅探软件捕获数据链路层、网络层、传输层、应用层网获取终端传输数据,利用专用协议分析器查看数据包内容和发送地址与目的地址,修改其数据,重新发送,查看子站是否接受并执行;
上位机指令测试,渗透测试工程使用SNIFFER等数据包嗅探软件捕获数据链路层、网络层、传输层、应用层网获取上位机传输数据,利用专用协议分析器查看指令内容和发送地址与原地址,修改其主站指令,伪造上位机对下位机的指令,查看子站是否接受并执行;
拒绝服务测试,渗透测试工程师通过发送大量的广播报文,填充被控站的数据缓冲区,使被控站无法正常接收主站发送的数据。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于互联网直流侧电压自适应调节APF电流预测控制方法,其特征在于,所述基于互联网直流侧电压自适应调节APF电流预测控制方法包括以下步骤:
步骤一,设APF三相桥臂的开关状态函数分别为Sa、Sb、Sc,三相桥臂的上桥臂开关器件开通以1表示,下桥臂开关器件开通以0表示,两电平APF共可产生8种开关状态,对开关状态进行αβ变换表示为矢量形式Sn,n=0~7,由8种开关状态得到APF可输出的8个电压矢量vn,n=0~7;
步骤二,由三相待补偿电流iha、ihb、ihc得待补偿电流矢量ih,由三相电网电压ea、eb、ec得电网电压矢量e,由APF输出的三相补偿电流ica、icb、icc得补偿电流矢量ic;
步骤三,根据电网电压矢量e以及待补偿电流矢量ih,计算每个采样周期内APF需要的直流侧电压并提取在一个工频周期内的幅值,得到直流侧电压参考值然后将直流侧电压实际值Vdc与直流侧电压参考值之间的误差经比例放大后乘以电网电压矢量e,再与待补偿电流矢量ih叠加,作为补偿电流参考值i*;
步骤四,根据电网电压矢量e、补偿电流矢量ic以及直流侧电压实际值Vdc,计算8个开关状态Sn分别作用下APF可输出的补偿电流预测值;
步骤五,根据价值函数,在8个开关状态Sn中,选择使补偿电流预测值与补偿电流参考值i*最接近的开关状态,控制APF向电网注入补偿电流,使电源只输出基波电流或基波有功电流,实现动态补偿;
步骤六,动态补偿的电流信号通过信号线连接服务器,服务器通过互联网将信号传送至电网监控终端,实现实时监控;
所述服务器对接收到的时频重叠MPSK信号能量算子取绝对值并作FFT得到能量算子谱的实施按以下进行:
时频重叠MPSK的信号模型表示为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mi>j</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
</msub>
<mi>t</mi>
<mo>+</mo>
<msub>
<mi>&phi;</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&phi;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mover>
<mo>=</mo>
<mrow>
<mi>d</mi>
<mi>e</mi>
<mi>f</mi>
</mrow>
</mover>
<mfrac>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
<mi>M</mi>
</mfrac>
<mo>&lsqb;</mo>
<munder>
<mi>&Sigma;</mi>
<mi>n</mi>
</munder>
<msub>
<mi>a</mi>
<mi>n</mi>
</msub>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>nT</mi>
<mrow>
<mi>b</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中,N为时频重叠信号的信号分量个数,n(t)是加性高斯白噪声,si(t)为时频重叠信号的信号分量,式中Ai表示信号分量的幅度,an表示信号分量的第n个符号,p(t)表示成型滤波函数,Tbi表示信号分量的码元周期,wci表示信号分量的载波频率;
对时频重叠MPSK信号的能量算子取绝对值:
z(n)=|x(n)2-x(n-1)x(n+1)|;
其中,x(n)表示接收到的时频重叠MPSK信号的第n个取样点;
对z(n)做FFT,得到时频重叠信号的能量算子谱S(f):
S(f)=FFT(z(n));
所述电网监控终端对根据电流轨迹空间密度将电流轨迹划分成若干电流轨迹段;通过计算各电流轨迹段在空间、时间、速度和方向上的距离来判断电流轨迹段间的相似度;将第一次聚类结果中的非显著簇有条件地并入邻近的显著簇,以体现出具备全局重要性的路径分布形态;
具体步骤为:
步骤一,概念和定义
电流轨迹:电流轨迹TRi定义:TRi={p1,p2,…,pk},其中pk={xk,yk,tk},分别代表该点的二维空间坐标和采用时间;
电流轨迹段:为电流轨迹TRi内连续的部分三维点集,如:SubTrajectorys={p1,…,pk}(1≤s≤k),k为该电流轨迹段所属电流轨迹的采样点总数;
计算最长公共子序列并转化为LCSS距离可以衡量电流轨迹间的相似程度,LCSS的计算一般通过递归方式:
<mrow>
<mi>L</mi>
<mi>C</mi>
<mi>S</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>,</mo>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>m</mi>
<mo>=</mo>
<mi>n</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>L</mi>
<mi>C</mi>
<mi>S</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>Re</mi>
<mi>s</mi>
<mi>t</mi>
<mo>(</mo>
<mi>R</mi>
<mo>)</mo>
<mo>,</mo>
<mi>Re</mi>
<mi>s</mi>
<mi>t</mi>
<mo>(</mo>
<mi>S</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mo>|</mo>
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>x</mi>
</mrow>
</msub>
</mrow>
<mo>|</mo>
<mo>&le;</mo>
<mi>&delta;</mi>
<mo>|</mo>
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
</mrow>
<mo>|</mo>
<mo>&le;</mo>
<mi>&psi;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mi>L</mi>
<mi>C</mi>
<mi>S</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>Re</mi>
<mi>s</mi>
<mi>t</mi>
<mo>(</mo>
<mi>R</mi>
<mo>)</mo>
<mo>,</mo>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>L</mi>
<mi>C</mi>
<mi>S</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>,</mo>
<mi>Re</mi>
<mi>s</mi>
<mi>t</mi>
<mo>(</mo>
<mi>S</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>,</mo>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中:LCSS(R,S)表示时空电流轨迹R与S间的LCSS长度,δ和ψ分别表示x轴和y轴上的相似阈值;
电流轨迹段速度:电流轨迹段的速度通过该电流轨迹段所有采用点中的最小速度、最大速度和平均速度来衡量:
<mrow>
<msub>
<mover>
<mi>V</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>S</mi>
<mi>u</mi>
<mi>b</mi>
<mi>T</mi>
<mi>r</mi>
<mi>a</mi>
<mi>j</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi>o</mi>
<mi>r</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>w</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>w</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>v</mi>
<mi>min</mi>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>m</mi>
</msub>
<msub>
<mi>v</mi>
<mi>max</mi>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>a</mi>
</msub>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
其中,ωm+ωa≤1,vmin为电流轨迹段中速度最低值,vmax为电流轨迹段中速度最高值,i和j分别为该电流轨迹段采样点的下标,对于一条电流轨迹段多个采样点,速度都是不相同的,将具有相似速度结构的电流轨迹段聚集在一块;
电流轨迹段方向:为电流轨迹段始末采样点之间形成的角度,也称运动方向角:
<mrow>
<mi>q</mi>
<mo>=</mo>
<mi>arctan</mi>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>e</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>e</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
其中,(xs,ys)电流轨迹段起点,(xe,ye)为电流轨迹段终点;
ξ邻域Nx(Li):对于电流轨迹段Li,给定邻近阈值ξ,如果存在电流轨迹段Lj,满足Nx(Li)={Li危D|d(Li,Lj)l,ij},其中,D为所有电流轨迹段数据集合,d(Li,Lj)为两电流轨迹段的距离,电流轨迹段领域用以在DBSCAN电流轨迹密度聚类中,判断每个电流轨迹段的当前空间密度,进而将空间密度较大的电流轨迹段聚为同一组;
断点:假设存在一电流轨迹段,位于该电流轨迹段上的任何两点之间的距离不超过阈值ε,并且这段子电流轨迹的采样点数s大于阈值Ε,则将这段子电流轨迹中的第1和最后1个采样点设置为断点,同时将位于该段子电流轨迹上其余的点删除,这实际上表示如果某电流轨迹段在空间上的密度和采用点数量达到一定程度,即可认为该电流轨迹段包含了断点,显然,如果一条电流轨迹上有2×t个断点,则该电流轨迹被分割为t+1个电流轨迹段;当横坐标差小于δ且纵坐标差小于ψ时,认为记录点相似,LCSS值加1,当电流轨迹记录点数都为0时,LCSS(R,S)为0;若记录点个数不为0,则用递归的方式判断共有子序列长度的最大值,用LCSS计算电流轨迹段的空间和时间相似性;
步骤二,电流轨迹时空聚类:电流轨迹段之间的相似性计算包括4方面:空间相似性spatialSIM、时间相似性tempoSIM、方向相似性OrientSIM和速度相似性velocitySIM,结合得到一个统一的表达电流轨迹段相似性公式:
subSIM=sigmod(ws创spatialSIM+wt tempoSIM+wo创OrientSIM+wv velocitySIM),
且ws+wt+wo+wv=1
其中,sigmoid()函数为归一化公式;spatialSIM与tempoSIM基于LCSS计算获取,OrientSIM和velocitySIM直接采用两条电流轨迹该属性的差值绝对值表示即可;
步骤三,利用电流轨迹段相似性公式,设聚类簇C中包含的电流轨迹数目为簇基数ncb,簇基数nb与该聚类中电流轨迹段数目nc之比为簇显著度ncs,给定阈值τ和γ,进行如下定义:
显著簇:Cpro={C|C吻O ncb>t ncs g},其中,O为第一次聚类的结果集,即簇基数nb高于τ且簇显著度ns高于γ聚类称为显著簇;
非显著簇:Cunpro={C|C吻O C Opro},其中,Opro为显著簇集合,即显著簇之外的聚类都为非显著簇;非显著簇的处理过程如下:
对DBSCAN聚类结果O进行判断,获取显著簇集合Opro与非显著簇集合Ounpro;从Ounpro依次取出聚类簇Cunpro,如果Cunpro距离最近的显著簇Cpro的阈值小于μ,则将Cunpro归并到Cpro,否则,删除Ounpro;
所述电网监控终端依据评分矩阵Rm×n,用fcos,fcor,fadj分别计算电网用户三种不同的相似度矩阵FCOS,FCOR,FADJ,从相似度矩阵中知道任意两个电网用户之间的相似度;fcos:模糊加权余弦相似性;fcor:模糊加权相关相似性;fadj:模糊加权修正余弦相似性;
fcos,fcor,fadj通过引入模糊权重wc,模糊加权余弦相似性、模糊加权相关相似性和模糊加权修正余弦相似性的定义如下:
<mrow>
<mi>f</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>U</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mi>c</mi>
</msub>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
</mrow>
<msqrt>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</munder>
<msup>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</munder>
<msup>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
<mrow>
<mi>f</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>U</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
<mrow>
<mi>f</mi>
<mi>a</mi>
<mi>d</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>U</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>;</mo>
</mrow>
ri,c表示电网用户Ui对项目Ic的评分,和分别表示电网用户Ui和电网用户Uj的平均评分;
fcos中wc求得的方法:
模糊向量中的元素个数是由模糊集的个数决定,评分的隶属函数为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>b</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>r</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>r</mi>
<mo>&le;</mo>
<mn>5</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>g</mi>
<mi>o</mi>
<mi>o</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mn>5</mn>
<mo>-</mo>
<mi>r</mi>
</mrow>
<mn>4</mn>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>r</mi>
<mo>&le;</mo>
<mn>5</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
r=4时,相应的二元隶属向量为任取电网用户Ui和电网用户Uj共同评价过的推荐项目Ic∈Iij,向量和关于推荐项目Ic∈Iij的模糊权重wc为:
<mrow>
<msub>
<mi>w</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<msqrt>
<mn>2</mn>
</msqrt>
<mo>-</mo>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>r</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>r</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mi>j</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>r</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>r</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mi>j</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mi>c</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mi>c</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中表示向量和之间的欧式距离,l为向量的维数,为向量中的第k个元素;在wc中,用减去其它值是因为为的最大值(对于向量的dis(·));
fcor和fadj中wc的求得方法:
电网用户Ui和电网用户Uj对共同评分过的推荐项目Ic∈Iij的评分与各自评分均值的偏差为devic和devjc;分别用very bad(vb)、bad(b)、fair(f)、good(g)、very good(vg)表示5个模糊集,由5个模糊集组成评分偏差的隶属函数为:
devic=2.7,根据隶属函数的定义,隶属向量为:对于向量和关于推荐项目c∈Iij的模糊权重wc为:
其中表示向量和之间的欧式距离,l为向量的维数,为向量的第k个元素;在wc中,用减去其它值是因为为的最大值(对于的dis(·))。
2.如权利要求1所述的基于互联网直流侧电压自适应调节APF电流预测控制方法,其特征在于,所述电网监控终端的渗透测试的具体实现方法为:
信息搜集测试,渗透测试工程师询问管理员总线结构、协议类型、资产重要等级信息,利用专用协议寻址软件进行网络扫描,了解工控网络内的存活终端和终端地址,进行信息搜集测试;
搜集系统漏洞,渗透测试工程师在www.us-cert.gov/control_systems/ics-cert/美国工业控制系统信息安全应急响应小组网站、www.scadahacker.com工控安全相关的专业论坛查找最新的漏洞信息、专用编程系统漏洞;
漏洞扫描,渗透测试工程师通过使用如NESSUS的SCADA插件对下位机设备进行漏洞扫描,发现已知漏洞及漏洞严重程度;
搜集固件漏洞,渗透测试工程师通过下位机设备生产厂商的安全公告里查询其设备的漏洞信息及最新固件版本,通过对比下位机设备是否已经及时升级更新到最新的固件版本来确定漏洞的存在;
漏洞利用测试,渗透测试工程师使用METASPOLOIT等工具编写下位机漏洞利用程序、或者在工控安全相关的专业论坛收集漏洞利用程序,对漏洞的严重性进行测试与验证;
下载代码测试,渗透测试工程师通过专用编程软件或者命令调试软件了解终端设备的设置情况,如是否允许源代码下载、是否允许编译代码下载、是否对代码进行加密、是否能够远程读取等信息;
上传代码测试,渗透测试工程师使用伪造的工程师站,利用编程系统软件或者命令调试软件对终端进行固件升级或者代码更新,测试是否能够成功执行新的代码;
下位机指令测试,渗透测试工程使用SNIFFER等数据包嗅探软件捕获数据链路层、网络层、传输层、应用层网获取终端传输数据,利用专用协议分析器查看数据包内容和发送地址与目的地址,修改其数据,重新发送,查看子站是否接受并执行;
上位机指令测试,渗透测试工程使用SNIFFER等数据包嗅探软件捕获数据链路层、网络层、传输层、应用层网获取上位机传输数据,利用专用协议分析器查看指令内容和发送地址与原地址,修改其主站指令,伪造上位机对下位机的指令,查看子站是否接受并执行;
拒绝服务测试,渗透测试工程师通过发送大量的广播报文,填充被控站的数据缓冲区,使被控站无法正常接收主站发送的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710534307.3A CN107134778A (zh) | 2017-07-03 | 2017-07-03 | 基于互联网直流侧电压自适应调节apf 电流预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710534307.3A CN107134778A (zh) | 2017-07-03 | 2017-07-03 | 基于互联网直流侧电压自适应调节apf 电流预测控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107134778A true CN107134778A (zh) | 2017-09-05 |
Family
ID=59736042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710534307.3A Pending CN107134778A (zh) | 2017-07-03 | 2017-07-03 | 基于互联网直流侧电压自适应调节apf 电流预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107134778A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414163A (zh) * | 2019-08-01 | 2019-11-05 | 西安电子科技大学 | 基于传输线间转换互联结构的信号传输性能补偿方法 |
CN111059514A (zh) * | 2019-09-30 | 2020-04-24 | 陕西想象力智能科技有限公司 | 一种500w光源、控制系统及控制方法 |
CN111092432A (zh) * | 2020-01-07 | 2020-05-01 | 河北工程大学 | 一种有源电力滤波器接入位置和容量的确定方法及系统 |
CN111130113A (zh) * | 2020-01-07 | 2020-05-08 | 河北工程大学 | 一种有源电力滤波器的补偿电流确定方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
CN104239496A (zh) * | 2014-09-10 | 2014-12-24 | 西安电子科技大学 | 一种结合模糊权重相似性度量和聚类协同过滤的方法 |
CN104468267A (zh) * | 2014-11-24 | 2015-03-25 | 国家电网公司 | 一种配电自动化系统信息安全渗透测试方法 |
CN104852382A (zh) * | 2015-06-08 | 2015-08-19 | 中国矿业大学 | 一种直流侧电压自适应调节的apf电流预测控制算法 |
CN106335125A (zh) * | 2016-08-10 | 2017-01-18 | 巴中市正大防水保温工程有限公司 | 一种水泥基泡沫保温板制作初凝窑的方法 |
-
2017
- 2017-07-03 CN CN201710534307.3A patent/CN107134778A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
CN104239496A (zh) * | 2014-09-10 | 2014-12-24 | 西安电子科技大学 | 一种结合模糊权重相似性度量和聚类协同过滤的方法 |
CN104468267A (zh) * | 2014-11-24 | 2015-03-25 | 国家电网公司 | 一种配电自动化系统信息安全渗透测试方法 |
CN104852382A (zh) * | 2015-06-08 | 2015-08-19 | 中国矿业大学 | 一种直流侧电压自适应调节的apf电流预测控制算法 |
CN106335125A (zh) * | 2016-08-10 | 2017-01-18 | 巴中市正大防水保温工程有限公司 | 一种水泥基泡沫保温板制作初凝窑的方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414163A (zh) * | 2019-08-01 | 2019-11-05 | 西安电子科技大学 | 基于传输线间转换互联结构的信号传输性能补偿方法 |
CN110414163B (zh) * | 2019-08-01 | 2020-11-24 | 西安电子科技大学 | 基于传输线间转换互联结构的信号传输性能补偿方法 |
CN111059514A (zh) * | 2019-09-30 | 2020-04-24 | 陕西想象力智能科技有限公司 | 一种500w光源、控制系统及控制方法 |
CN111092432A (zh) * | 2020-01-07 | 2020-05-01 | 河北工程大学 | 一种有源电力滤波器接入位置和容量的确定方法及系统 |
CN111130113A (zh) * | 2020-01-07 | 2020-05-08 | 河北工程大学 | 一种有源电力滤波器的补偿电流确定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107134778A (zh) | 基于互联网直流侧电压自适应调节apf 电流预测控制方法 | |
Xia et al. | A real-time monitoring system based on ZigBee and 4G communications for photovoltaic generation | |
CN106779095B (zh) | 基于kmp算法的智能变电站设备软压板校核的方法 | |
CN108873733A (zh) | 电力信息物理系统中信息预想事故影响的分析方法 | |
CN109902373A (zh) | 一种辖区变电站故障诊断、定位方法及系统 | |
Bhagwan et al. | A review of industry 4.0 technologies used in the production of energy in China, Germany, and South Africa | |
CN102930408B (zh) | 一种基于信息融合的750kV电网二次设备状态评估方法 | |
Rao et al. | An IoT-based sensor technology for improving reliability and power quality in smart grid systems | |
Hacker et al. | A framework to evaluate multi-use flexibility concepts simultaneously in a co-simulation environment and a cyber-physical laboratory. | |
CN109117865A (zh) | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 | |
CN110880020B (zh) | 一种自适应的跨区域基站能耗模型迁移与补偿方法 | |
Kashyap et al. | Reduced-order synchrophasor-assisted state estimation for smart grids | |
CN109656229A (zh) | 基于ga-rbf网络的机器人末端性能预测模型的构建方法 | |
CN111737875B (zh) | 有功功率不平衡率分析诊断方法、系统及计算机设备 | |
CN112100784A (zh) | 基于聚类网架拓扑和可靠性估算关联模型的配电网规划方法 | |
Mekkanen et al. | Wireless Light-Weight IEC 61850 Based Loss of Mains Protection for Smart Grid | |
Liu et al. | Design and implementation of large-scale public building energy consumption monitoring platform based on BP neural network | |
CN109583026A (zh) | 一种基于Petri网出现序列的继电保护业务建模方法及系统 | |
CN108108301A (zh) | 一种计算机软件技术开发调试系统 | |
CN106157179A (zh) | 一种实时仿真模型的模型匹配方法及系统 | |
Yang et al. | Electric Power Sensing Data Quality Classification Using Decision-Tree via IEC60870-5-101/104 | |
Awasthi et al. | Classifying electrical faults in a distribution system using k-nearest neighbor (knn) model in presence of multiple distributed generators | |
Vázquez | Genetic programming in time series modelling: an application to meteorological data | |
Shafiullah | Fault diagnosis in distribution grids under load and renewable energy uncertainties | |
Katayama et al. | Distributed real-time computer network architecture-power systems information model coordinated with agent applications |
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 |
Application publication date: 20170905 |
|
RJ01 | Rejection of invention patent application after publication |