CN109145431A - 一种监控电力二次系统运行状态的建模方法及装置 - Google Patents
一种监控电力二次系统运行状态的建模方法及装置 Download PDFInfo
- Publication number
- CN109145431A CN109145431A CN201810928968.9A CN201810928968A CN109145431A CN 109145431 A CN109145431 A CN 109145431A CN 201810928968 A CN201810928968 A CN 201810928968A CN 109145431 A CN109145431 A CN 109145431A
- Authority
- CN
- China
- Prior art keywords
- neuron
- initial
- training
- weight vectors
- adjacent
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 36
- 210000002569 neuron Anatomy 0.000 claims abstract description 275
- 238000012549 training Methods 0.000 claims abstract description 227
- 239000013598 vector Substances 0.000 claims abstract description 187
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 241001269238 Data Species 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 9
- 210000005036 nerve Anatomy 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 210000004218 nerve net Anatomy 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000013480 data collection Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种监控电力二次系统运行状态的建模方法及装置，包括：提取预先得到的训练数据集中的第一训练数据，计算第一训练数据对应的第一训练向量分别与预设初始神经网络模型中每一初始神经元的权重向量的欧几里得距离；获取最小欧几里得距离对应的第一初始神经元，基于第一训练向量，更新与第一初始神经元相邻的各初始神经元的权重向量；若第一训练数据不为训练数据集的最后一个训练数据，提取第二训练数据对应的第二训练向量，直至训练数据集的所有训练数据被提取完毕，得到训练神经元模型；计算训练神经元模型中的每一神经元的邻接区域值；基于计算邻接区域值与预设的邻接阈值，标记该神经元。可以有效对电力二次系统运行状态进行监控。
Description
本申请涉及数据建模技术领域，具体而言，涉及一种监控电力二次系统运行状态的建模方法及装置。
背景技术
电力一次系统指的是直接参与发电的各设备组成的电力系统。随着互联网以及智能电网的快速发展和结合，电力系统的规模和复杂度越来越高，并逐步形成用以监视、测量和控制电力一次系统中各设备的电力二次系统。其中，电力二次系统包括各种类型的设备，例如，主机设备、数据库设备、网络设备以及安全设备等。
由于电力二次系统运行会产生海量的数据，因而，如何通过实时产生的海量数据有效分析电力二次系统中各设备的运行状态，从而及时对电力二次系统中相应设备的运行状态进行有效监测，例如，预警与处置安全风险成为电力系统需要解决的技术问题。但目前，对电力二次系统的数据分析研究还主要集中在数据的收集和获取，对如何依据收集和获取的数据进行运行状态分析还未提出有效的方法，因而，还不能实现对电力二次系统运行状态的有效监控。
发明内容
有鉴于此，本申请的目的在于提供一种监控电力二次系统运行状态的建模方法及装置，以对电力二次系统运行状态进行有效监控。
第一方面，本申请实施例提供了一种监控电力二次系统运行状态的建模方法，该方法包括：
提取预先得到的训练数据集中的第一训练数据，从所述训练数据集对应的初始神经网络模型中，计算所述第一训练数据对应的第一训练向量分别与所述初始神经网络模型中每一初始神经元的权重向量的欧几里得距离；
获取最小欧几里得距离对应的第一初始神经元，基于所述第一训练向量，更新所述初始神经网络模型中与所述第一初始神经元相邻的各初始神经元的权重向量；
若所述第一训练数据不为所述训练数据集的最后一个训练数据，提取第二训练数据对应的第二训练向量，计算所述第二训练向量与更新的初始神经网络模型中每一初始神经元的权重向量的欧几里得距离，直至所述训练数据集的所有训练数据被提取完毕，得到训练神经元模型；
针对所述训练神经元模型中的每一神经元，计算该神经元的邻接区域值；
如果计算的该神经元的邻接区域值小于预设的邻接阈值，标记该神经元为正常状态，否则，标记该神经元为异常状态，得到监控电力二次系统运行状态的神经网络预测模型。
可选地，所述基于所述第一训练向量，更新所述初始神经网络模型中与所述第一初始神经元相邻的各初始神经元的权重向量，包括：
针对与所述第一初始神经元相邻的每一第二初始神经元，基于所述第一训练向量，更新所述第二初始神经元的权重向量。
可选地，所述基于所述第一训练向量，更新所述第二初始神经元的权重向量，包括：
计算所述第一训练向量与所述第二初始神经元的权重向量的差值；
计算所述差值与预先设置的相邻神经元距离函数值以及预先设置的学习系数的乘积，得到相邻神经元修正值；
计算所述相邻神经元修正值与所述第二初始神经元的权重向量的和值，得到更新的与所述第一初始神经元相邻的第二初始神经元的权重向量。
可选地，所述神经元的邻接区域值为所述神经元分别到所述神经元的上、下、左、右位置对应的神经元的曼哈顿距离之和。
可选地，所述方法还包括：
获取实时采集的数据，依据所述实时采集的数据对应的神经网络预测模型，提取所述实时采集的数据的待监控向量；
计算所述待监控向量分别与所述对应的神经网络预测模型中每一神经元的权重向量的欧几里得距离；
获取最小欧几里得距离对应的神经元，若获取的神经元的标记为正常，确认所述实时采集的数据对应的设备运行正常，若获取的神经元的标记为异常，确认所述实时采集的数据对应的设备运行异常。
可选地，所述电力二次系统中的每一类型的设备对应一训练数据集，所述训练向量的维数与所述初始神经元的权重向量的维数相同，所述训练向量的参数与所述权重向量的参数相同。
第二方面，本申请实施例提供了一种监控电力二次系统运行状态的建模装置，该装置包括：
距离计算模块，用于提取预先得到的训练数据集中的第一训练数据，从所述训练数据集对应的初始神经网络模型中，计算所述第一训练数据对应的第一训练向量分别与所述初始神经网络模型中每一初始神经元的权重向量的欧几里得距离；
权重向量更新模块，用于获取最小欧几里得距离对应的第一初始神经元，基于所述第一训练向量，更新所述初始神经网络模型中与所述第一初始神经元相邻的各初始神经元的权重向量；
模型训练模块，若所述第一训练数据不为所述训练数据集的最后一个训练数据，提取第二训练数据对应的第二训练向量，计算所述第二训练向量与更新的初始神经网络模型中每一初始神经元的权重向量的欧几里得距离，直至所述训练数据集的所有训练数据被提取完毕，得到训练神经元模型；
邻接区域值计算模块，用于针对所述训练神经元模型中的每一神经元，计算该神经元的邻接区域值；
模型构建模块，如果计算的该神经元的邻接区域值小于预设的邻接阈值，标记该神经元为正常状态，否则，标记该神经元为异常状态，得到监控电力二次系统运行状态的神经网络预测模型。
可选地，所述权重向量更新模块包括：
第一初始神经元获取单元，用于获取最小欧几里得距离对应的第一初始神经元；
第一更新单元，用于基于所述第一训练向量，更新与所述第一初始神经元相邻的一第二初始神经元的权重向量；
遍历更新单元，用于基于所述第一训练向量，更新与所述第一初始神经元相邻的其他第二初始神经元的权重向量，直至所述初始神经网络模型中与所述第一初始神经元相邻的各第二初始神经元的权重向量都被更新。
可选地，所述第一更新单元具体用于：
计算所述第一训练向量与所述第二初始神经元的权重向量的差值；
计算所述差值与预先设置的相邻神经元距离函数值以及预先设置的学习系数的乘积，得到相邻神经元修正值；
计算所述相邻神经元修正值与所述第二初始神经元的权重向量的和值，得到更新的与所述第一初始神经元相邻的第二初始神经元的权重向量。
可选地，所述神经元的邻接区域值为所述神经元分别到所述神经元的上、下、左、右位置对应的神经元的曼哈顿距离之和。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
本申请实施例提供的一种监控电力二次系统运行状态的建模方法，通过提取预先得到的训练数据集中的第一训练数据，从所述训练数据集对应的初始神经网络模型中，计算所述第一训练数据对应的第一训练向量分别与所述初始神经网络模型中每一初始神经元的权重向量的欧几里得距离；获取最小欧几里得距离对应的第一初始神经元，基于所述第一训练向量，更新所述初始神经网络模型中与所述第一初始神经元相邻的各初始神经元的权重向量；若所述第一训练数据不为所述训练数据集的最后一个训练数据，提取第二训练数据对应的第二训练向量，计算所述第二训练向量与更新的初始神经网络模型中每一初始神经元的权重向量的欧几里得距离，直至所述训练数据集的所有训练数据被提取完毕，得到训练神经元模型；针对所述训练神经元模型中的每一神经元，计算该神经元的邻接区域值；如果计算的该神经元的邻接区域值小于预设的邻接阈值，标记该神经元为正常状态，否则，标记该神经元为异常状态，得到监控电力二次系统运行状态的神经网络预测模型。这样，利用收集的数据，对与该数据对应的初始神经网络模型进行训练，从而得到用于监控电力二次系统运行状态的神经网络预测模型，实现对电力二次系统运行状态的有效监控。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的监控电力二次系统运行状态的建模方法流程示意图；
图2为本申请实施例提供的数据采集及处理示意图；
图3为本申请实施例提供的监控电力二次系统运行状态的建模装置结构示意图；
图4为本申请实施例提供的一种计算机设备400的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的监控电力二次系统运行状态的建模方法流程示意图。如图1所示，该方法包括：
步骤101，提取预先得到的训练数据集中的第一训练数据，从所述训练数据集对应的初始神经网络模型中，计算所述第一训练数据对应的第一训练向量分别与所述初始神经网络模型中每一初始神经元的权重向量的欧几里得距离；
本申请实施例中，由于电力二次系统中的设备类型多样，每一类型中又包含有不同的设备，对于不同类型的设备以及同一类型中的不同设备，需要构建相应的神经网络模型以进行设备运行状态的监控。因而，作为一可选实施例，电力二次系统中的每一设备(包括不同类型的设备以及同一类型中的不同设备，即组成电力二次系统的各个设备)对应一训练数据集，每一训练数据集中，又可以包含不同格式的数据。例如，训练数据集可以包括：各主机设备训练数据集、各数据库设备训练数据集、各网络设备训练数据集以及各安全设备训练数据集。其中，各主机设备训练数据集中的每一主机设备训练数据集用于存储从该主机设备采集的历史数据，一数据库设备训练数据集用于存储从该数据库设备采集的历史数据。
本申请实施例中，作为一可选实施例，针对电力二次系统中不同类型的设备，还可以分别设置对应的数据采集代理程序，例如，主机设备数据采集代理程序、数据库设备数据采集代理程序、网络设备数据采集代理程序以及安全设备数据采集代理程序。这样，利用不同的数据采集代理程序，能够有效采集到对应类型设备的数据，从而形成该类型设备的训练数据集。
本申请实施例中，在数据采集代理程序采集到数据后，对采集的数据按照预设的资产描述进行分析以及数据抽象，得到该类型设备的资产模型。其中，资产描述包括：资产信息、资产状态以及资产关键资源。
本申请实施例中，不同类型设备的资产描述，包含的具体内容可能不同，但数据格式相同，从而通过表征资产模型抽象规则的统一资产描述，能够打破电力二次系统中不同类型设备及业务系统的数据壁垒。
表1为以主机设备为例对应的资产描述。
表1
本申请实施例中，通过资产描述对采集的电力二次系统中各类型设备的数据进行分析和抽象，获得资产模型，使得各资产模型具有统一的数据格式，能够有效消除各类型设备间数据分析的隔膜，以便后续的各类型设备的数据处理。例如，从资产描述中提取出训练数据的训练向量。
本申请实施例中，作为一可选实施例，每一设备对应一初始神经网络模型，即一训练数据集对应一初始神经网络模型。初始神经网络模型中的初始神经元的权重向量的维数，可以依据表征该设备的运行状态的主要参数来确定，即该设备运行时的运行关键指标。例如，通过统计分析，若表征某一设备的运行状态的主要参数包括：CPU、内存、I/O数、连接数，则该设备对应的初始神经网络模型中，权重向量的参数为(CPU、内存、I/O数、连接数)，该权重向量的维数可以确定为4维。
在确定初始神经元的权重向量后，该初始神经元对应的训练数据集中的训练数据的训练向量也就能确定，即训练向量的维数与初始神经元的权重向量的维数相同，向量参数与权重向量参数相同。
本申请实施例中，作为一可选实施例，初始神经网络模型中的各初始神经元的权重向量的赋值可以随机确定。
本申请实施例中，作为一可选实施例，训练数据集中的训练数据为历史数据，即该设备历史运行中采集得到的数据。通过对运行关键指标进行历史数据挖掘，可以得到运行关键指标的正常运行“轮廓”，从而为后续进行运行状态监测及预警提供支持。
图2为本申请实施例提供的数据采集及处理示意图。如图2所示，位于传输层的数据采集代理程序对采集层对应的设备(例如，网络设备、安防设备、业务系统、操作系统)进行数据采集，将采集到的数据通过数据管道进行传输至存储层，利用计算层的分布式算法，对传输至存储层的各数据进行分类，从而得到每一设备对应的训练数据集，并在相应的分布式存储节点进行存储，并在展现层，可以对分类结果进行实时监控可视化，或，进行报表管理，或在后续中，进行告警展示。其中，数据管道可以包括上层数据管道以及下层数据管道，对应采集不同区的数据，下层数据管道采集的数据，汇聚到上层数据管道，与上层数据管道采集的数据进行汇聚后传输至存储层，通过上层数据管道以及下层数据管道进行数据采集，可以实现并行的数据采集，使得采集架构具有多层级结构，采集架构结构更加灵活且便于横向扩展。传输层可以利用Flume构建数据管道(channel)，将设置的多个数据采集代理程序链接(sink)到构建的数据管道。通过分布式存储(例如，node1、node2、node3)，可以支持存储的横向扩展和全文搜索的能力。计算层采用大数据处理框架Apache Spark，SparkStreaming模块实现流式计算。
本申请实施例中，进行分布式计算的数据流由数据采集代理程序主动采集各设备的运行状态数据汇聚而成，该数据流具有快速持续到达、数据源众多、数据量大等特征。作为一可选实施例，数据流在计算层，根据时间进行分割，分割为离散数据流，其中，在分布式计算时，将每一离散数据流转换为弹性分布式数据集(RDD，Resilient DistributedDataset)。每一RDD再被切分成多个分区，并以分区为粒度进行并行计算，计算结果汇总之后进行输出。
本申请实施例中，作为一可选实施例，在进行数据分类之前，还可以以对数据进行清洗及异常检测。其中，清洗可以是基于抽取、交互转换以及加载(ETL，Extract-Transform-Load)的清洗。
本申请实施例中，作为一可选实施例，利用下式计算第一训练向量与初始神经元的权重向量的欧几里得距离：
式中，
d(xi,yk)为第i个初始神经元的权重向量与第k个训练向量的欧几里得距离；
xi为第i个初始神经元，x1,x2,...,xn为该初始神经元的n维向量；
本申请实施例中，
x＝(x1,x2,...,xn)，其中，x为初始神经元的权重向量。
yk为第k个训练向量，y1,y2,...,yn为该训练向量的n维向量。
本申请实施例中，
y＝(y1,y2,...,yn)，其中，y为训练向量。
步骤102，获取最小欧几里得距离对应的第一初始神经元，基于所述第一训练向量，更新所述初始神经网络模型中与所述第一初始神经元相邻的各初始神经元的权重向量；
本申请实施例中，作为一可选实施例，基于所述第一训练向量，更新所述初始神经网络模型中与所述第一初始神经元相邻的各初始神经元的权重向量，包括：
针对与所述第一初始神经元相邻的每一第二初始神经元，基于所述第一训练向量，更新所述第二初始神经元的权重向量。
本申请实施例中，与第一初始神经元相邻的各初始神经元可以是第一初始神经元的上、下、左、右位置对应的神经元，也可以是与第一初始神经元相距在预定距离阈值内的神经元。
本申请实施例中，利用下式获取最小欧几里得距离对应的第一初始神经元：
式中，
M为初始神经网络模型中包含的初始神经元数量。
本申请实施例中，作为一可选实施例，基于所述第一训练向量，更新所述第二初始神经元的权重向量，包括：
计算所述第一训练向量与所述第二初始神经元的权重向量的差值；
计算所述差值与预先设置的相邻神经元距离函数值以及预先设置的学习系数的乘积，得到相邻神经元修正值；
计算所述相邻神经元修正值与所述第二初始神经元的权重向量的和值，得到更新的与所述第一初始神经元相邻的第二初始神经元的权重向量。
本申请实施例中，作为一可选实施例，利用下式对与所述第一初始神经元相邻的第二初始神经元的权重向量进行更新：
W(t+1)＝W(t)+N(v,t)L(t)(D(t)-W(t))
式中，
W(t+1)为更新后的第二初始神经元的权重向量；
W(t)为t时刻的初始神经元向量；即更新前的第二初始神经元的权重向量。
N(v,t)为相邻神经元的距离函数；
L(t)为学习系数，用于决定每个权重向量在学习进程中值改变的多少；
D(t)为t时刻的训练向量，本申请实施例中，为第一训练向量。
本申请实施例中，依据上述方法，对其他第二初始神经元的权重向量进行更新，直至初始神经网络模型中所有与第一初始神经元相邻的第二初始神经元都被更新为止。
本申请实施例中，举例来说，假设初始神经元1为最小欧几里得距离对应的初始神经元，对应的第一权重向量为(1,0,0,0)，第一训练向量为(2,0,0,0)，假设与第一权重向量(1,0,0,0)相邻的为初始神经元2，对应的第二权重向量为(6,0,0,0)。则第一训练向量与第二权重向量的差值为(-4,0,0,0)，若相邻神经元距离函数的值为0.5，学习系数为1，则相邻神经元修正值为(-2,0,0,0)，最后更新的初始神经元2对应的第二权重向量为(4,0,0,0)。
步骤103，若所述第一训练数据不为所述训练数据集的最后一个训练数据，提取第二训练数据对应的第二训练向量，计算所述第二训练向量与更新的初始神经网络模型中每一初始神经元的权重向量的欧几里得距离，直至所述训练数据集的所有训练数据被提取完毕，得到训练神经元模型；
本申请实施例中，如果提取的第一训练数据不为训练数据集未被提取的训练数据中的最后一个训练数据，则从训练数据集未被提取的训练数据中，提取第二训练数据对应的第二训练向量，计算该第二训练向量与更新的初始神经网络模型中每一初始神经元的权重向量的欧几里得距离，直至训练数据集不存在未被提取的训练数据为止，最后一次更新的初始神经网络模型为训练神经元模型。
本申请实施例中，在提取一训练数据后，计算该训练数据对应的训练向量与初始神经网络模型中各初始神经元的权重向量的欧几里得距离，对初始神经网络模型中与欧几里得距离最小的初始神经元相邻的各初始神经元的权重向量进行相应更新，得到更新的初始神经网络模型。再提取另一训练数据，计算该训练数据对应的训练向量与更新的初始神经网络模型中各初始神经元的权重向量的欧几里得距离，对更新的初始神经网络模型中与欧几里得距离最小的初始训练神经元相邻的各初始神经元的权重向量进行更新，如此循环，直至训练数据集中的训练数据都被提取完毕，最后得到训练神经元模型。
本申请实施例中，若所述第一训练数据为所述训练数据集未被提取的训练数据中的最后一个训练数据，表明已对初始神经网络模型训练完毕，训练完毕的初始神经网络模型为训练神经元模型。
步骤104，针对所述训练神经元模型中的每一神经元，计算该神经元的邻接区域值；
本申请实施例中，作为一可选实施例，神经元的邻接区域为该神经元上、下、左、右位置对应的神经元。
本申请实施例中，神经元的邻接区域值为该神经元分别到该神经元的上、下、左、右位置对应的神经元的曼哈顿距离之和。
本申请实施例中，作为一可选实施例，利用下式计算两个神经元的曼哈顿距离：
Ni＝(ω1,i,ω2,i,...,ωk,i)
Nj＝(ω1,j,ω2,j,...,ωk,j)
式中，
M(Ni,Nj)为第i神经元与第j神经元的曼哈顿距离；
Ni为第i神经元，(ω1,i,ω2,i,...,ωk,i)为该神经元的权重向量；
Nj为第j神经元。
利用下式计算该神经元的邻接区域值：
式中，
S(Ni)为第i神经元的邻接区域值；
NT,NL,NR,NB分别为第i神经元的上、下、左、右位置对应的神经元。
步骤105，如果计算的该神经元的邻接区域值小于预设的邻接阈值，标记该神经元为正常状态，否则，标记该神经元为异常状态，得到监控电力二次系统运行状态的神经网络预测模型。
本申请实施例中，如果该邻接区域值小于邻接阈值，则标记该神经元为正常状态，否则标记该神经元为异常状态，从而得到一个自组织映射(SOM，Self-Organizing Map)神经网络预测模型，作为用于监控电力二次系统运行状态的神经网络预测模型。
本申请实施例中，SOM是一种竞争学习型的非监督神经网络。通过利用大量历史数据对基于SOM的初始神经网络模型进行训练，从而得到电力二次系统运行数据的拓扑结构，即用于监控电力二次系统运行状态的神经网络预测模型。由于电力二次系统运行较为稳定，通常处于正常运行状态，输入的训练向量大部分为正常状态，导致代表正常状态的神经元会得到更多训练机会。因此，神经网络预测模型中会出现代表不同正常运行状态的神经元集群，且这些神经元集群中神经元较紧密。因此，可以通过该神经网络预测模型，对电力二次系统运行状态进行状态预测以及实时分析。
本申请实施例中，作为一可选实施例，该方法还包括：
获取实时采集的数据，依据所述实时采集的数据对应的神经网络预测模型，提取所述实时采集的数据的待监控向量；
计算所述待监控向量分别与所述对应的神经网络预测模型中每一神经元的权重向量的欧几里得距离；
获取最小欧几里得距离对应的神经元，若获取的神经元的标记为正常，确认所述实时采集的数据对应的设备运行正常，若获取的神经元的标记为异常，确认所述实时采集的数据对应的设备运行异常。
本申请实施例中，可以通过并行方式计算待监控向量分别与对应的神经网络预测模型中每一神经元的权重向量的欧几里得距离。这样，通过非监督学习方法，为电力二次系统中的各类型设备的运行分析及预警建立相应的神经网络预测模型，再利用建立的神经网络预测模型，对电力二次系统中的各类数据进行实时分析，从而实现电力二次系统中各类型设备运行状态的实时监测及预警，以及，电力二次系统整体运行状态的实时监测及预警，达到对电力二次系统运行状态进行有效监控的目的。
图3为本申请实施例提供的监控电力二次系统运行状态的建模装置结构示意图。如图3所示，该装置包括：
距离计算模块301，用于提取预先得到的训练数据集中的第一训练数据，从所述训练数据集对应的初始神经网络模型中，计算所述第一训练数据对应的第一训练向量分别与所述初始神经网络模型中每一初始神经元的权重向量的欧几里得距离；
权重向量更新模块302，用于获取最小欧几里得距离对应的第一初始神经元，基于所述第一训练向量，更新所述初始神经网络模型中与所述第一初始神经元相邻的各初始神经元的权重向量；
本申请实施例中，电力二次系统中的每一设备对应一训练数据集，每一训练数据集中，又可以包含不同格式的数据。
本申请实施例中，在数据采集代理程序采集到数据后，对采集的数据按照预设的资产描述进行分析以及数据抽象，得到该类型设备的资产模型。其中，资产描述包括：资产信息、资产状态以及资产关键资源。
模型训练模块303，若所述第一训练数据不为所述训练数据集的最后一个训练数据，提取第二训练数据对应的第二训练向量，计算所述第二训练向量与更新的初始神经网络模型中每一初始神经元的权重向量的欧几里得距离，直至所述训练数据集的所有训练数据被提取完毕，得到训练神经元模型；
本申请实施例中，如果提取的第一训练数据不为训练数据集未被提取的训练数据中的最后一个训练数据，则从训练数据集未被提取的训练数据中，提取第二训练数据对应的第二训练向量，计算该第二训练向量与更新的初始神经网络模型中每一初始神经元的权重向量的欧几里得距离，直至训练数据集不存在未被提取的训练数据为止，最后一次更新的初始神经网络模型为训练神经元模型。
本申请实施例中，若所述第一训练数据为所述训练数据集未被提取的训练数据中的最后一个训练数据，表明已对初始神经网络模型训练完毕，训练完毕的初始神经网络模型为训练神经元模型。
邻接区域值计算模块304，用于针对所述训练神经元模型中的每一神经元，计算该神经元的邻接区域值；
模型构建模块305，如果计算的该神经元的邻接区域值小于预设的邻接阈值，标记该神经元为正常状态，否则，标记该神经元为异常状态，得到监控电力二次系统运行状态的神经网络预测模型。
本申请实施例中，作为一可选实施例，权重向量更新模块302包括：
第一初始神经元获取单元，用于获取最小欧几里得距离对应的第一初始神经元；
第一更新单元，用于基于所述第一训练向量，更新与所述第一初始神经元相邻的一第二初始神经元的权重向量；
遍历更新单元，用于基于所述第一训练向量，更新与所述第一初始神经元相邻的其他第二初始神经元的权重向量，直至所述初始神经网络模型中与所述第一初始神经元相邻的各第二初始神经元的权重向量都被更新。
本申请实施例中，作为一可选实施例，第一更新单元具体用于：
计算所述第一训练向量与所述第二初始神经元的权重向量的差值；
计算所述差值与预先设置的相邻神经元距离函数值以及预先设置的学习系数的乘积，得到相邻神经元修正值；
计算所述相邻神经元修正值与所述第二初始神经元的权重向量的和值，得到更新的与所述第一初始神经元相邻的第二初始神经元的权重向量。
本申请实施例中，作为一可选实施例，神经元的邻接区域值为所述神经元分别到所述神经元的上、下、左、右位置对应的神经元的曼哈顿距离之和。
本申请实施例中，作为一可选实施例，该装置还包括：
监测模块(图中未示出)，用于获取实时采集的数据，依据所述实时采集的数据对应的神经网络预测模型，提取所述实时采集的数据的待监控向量；
计算所述待监控向量分别与所述对应的神经网络预测模型中每一神经元的权重向量的欧几里得距离；
获取最小欧几里得距离对应的神经元，若获取的神经元的标记为正常，确认所述实时采集的数据对应的设备运行正常，若获取的神经元的标记为异常，确认所述实时采集的数据对应的设备运行异常。
本申请实施例中，作为一可选实施例，电力二次系统中的每一类型的设备对应一训练数据集，所述训练向量的维数与所述初始神经元的权重向量的维数相同，所述训练向量的参数与所述权重向量的参数相同。
如图4所示，本申请一实施例提供了一种计算机设备400，用于执行图1和图2中的监控电力二次系统运行状态的建模方法，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述监控电力二次系统运行状态的建模方法的步骤。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述监控电力二次系统运行状态的建模方法。
对应于图1和图2中的监控电力二次系统运行状态的建模方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述监控电力二次系统运行状态的建模方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述监控电力二次系统运行状态的建模方法。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种监控电力二次系统运行状态的建模方法，其特征在于，该方法包括：
提取预先得到的训练数据集中的第一训练数据，从所述训练数据集对应的初始神经网络模型中，计算所述第一训练数据对应的第一训练向量分别与所述初始神经网络模型中每一初始神经元的权重向量的欧几里得距离；
获取最小欧几里得距离对应的第一初始神经元，基于所述第一训练向量，更新所述初始神经网络模型中与所述第一初始神经元相邻的各初始神经元的权重向量；
若所述第一训练数据不为所述训练数据集的最后一个训练数据，提取第二训练数据对应的第二训练向量，计算所述第二训练向量与更新的初始神经网络模型中每一初始神经元的权重向量的欧几里得距离，直至所述训练数据集的所有训练数据被提取完毕，得到训练神经元模型；
针对所述训练神经元模型中的每一神经元，计算该神经元的邻接区域值；
如果计算的该神经元的邻接区域值小于预设的邻接阈值，标记该神经元为正常状态，否则，标记该神经元为异常状态，得到监控电力二次系统运行状态的神经网络预测模型。
2.如权利要求1所述的方法，其特征在于，所述基于所述第一训练向量，更新所述初始神经网络模型中与所述第一初始神经元相邻的各初始神经元的权重向量，包括：
针对与所述第一初始神经元相邻的每一第二初始神经元，基于所述第一训练向量，更新所述第二初始神经元的权重向量。
3.如权利要求2所述的方法，其特征在于，所述基于所述第一训练向量，更新所述第二初始神经元的权重向量，包括：
计算所述第一训练向量与所述第二初始神经元的权重向量的差值；
计算所述差值与预先设置的相邻神经元距离函数值以及预先设置的学习系数的乘积，得到相邻神经元修正值；
计算所述相邻神经元修正值与所述第二初始神经元的权重向量的和值，得到更新的与所述第一初始神经元相邻的第二初始神经元的权重向量。
4.如权利要求1所述的方法，其特征在于，所述神经元的邻接区域值为所述神经元分别到所述神经元的上、下、左、右位置对应的神经元的曼哈顿距离之和。
5.如权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
获取实时采集的数据，依据所述实时采集的数据对应的神经网络预测模型，提取所述实时采集的数据的待监控向量；
计算所述待监控向量分别与所述对应的神经网络预测模型中每一神经元的权重向量的欧几里得距离；
获取最小欧几里得距离对应的神经元，若获取的神经元的标记为正常状态，确认所述实时采集的数据对应的设备运行正常，若获取的神经元的标记为异常状态，确认所述实时采集的数据对应的设备运行异常。
6.如权利要求1至4任一项所述的方法，其特征在于，所述电力二次系统中的每一类型的设备对应一训练数据集，所述训练向量的维数与所述初始神经元的权重向量的维数相同，所述训练向量的参数与所述权重向量的参数相同。
7.一种监控电力二次系统运行状态的建模装置，其特征在于，该装置包括：
距离计算模块，用于提取预先得到的训练数据集中的第一训练数据，从所述训练数据集对应的初始神经网络模型中，计算所述第一训练数据对应的第一训练向量分别与所述初始神经网络模型中每一初始神经元的权重向量的欧几里得距离；
权重向量更新模块，用于获取最小欧几里得距离对应的第一初始神经元，基于所述第一训练向量，更新所述初始神经网络模型中与所述第一初始神经元相邻的各初始神经元的权重向量；
模型训练模块，若所述第一训练数据不为所述训练数据集的最后一个训练数据，提取第二训练数据对应的第二训练向量，计算所述第二训练向量与更新的初始神经网络模型中每一初始神经元的权重向量的欧几里得距离，直至所述训练数据集的所有训练数据被提取完毕，得到训练神经元模型；
邻接区域值计算模块，用于针对所述训练神经元模型中的每一神经元，计算该神经元的邻接区域值；
模型构建模块，如果计算的该神经元的邻接区域值小于预设的邻接阈值，标记该神经元为正常状态，否则，标记该神经元为异常状态，得到监控电力二次系统运行状态的神经网络预测模型。
8.如权利要求7所述的装置，其特征在于，所述权重向量更新模块包括：
第一初始神经元获取单元，用于获取最小欧几里得距离对应的第一初始神经元；
第一更新单元，用于基于所述第一训练向量，更新与所述第一初始神经元相邻的一第二初始神经元的权重向量；
遍历更新单元，用于基于所述第一训练向量，更新与所述第一初始神经元相邻的其他第二初始神经元的权重向量，直至所述初始神经网络模型中与所述第一初始神经元相邻的各第二初始神经元的权重向量都被更新。
9.如权利要求8所述的装置，其特征在于，所述第一更新单元具体用于：
计算所述第一训练向量与所述第二初始神经元的权重向量的差值；
计算所述差值与预先设置的相邻神经元距离函数值以及预先设置的学习系数的乘积，得到相邻神经元修正值；
计算所述相邻神经元修正值与所述第二初始神经元的权重向量的和值，得到更新的与所述第一初始神经元相邻的第二初始神经元的权重向量。
10.如权利要求7所述的装置，其特征在于，所述神经元的邻接区域值为所述神经元分别到所述神经元的上、下、左、右位置对应的神经元的曼哈顿距离之和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810928968.9A CN109145431A (zh) | 2018-08-10 | 2018-08-10 | 一种监控电力二次系统运行状态的建模方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810928968.9A CN109145431A (zh) | 2018-08-10 | 2018-08-10 | 一种监控电力二次系统运行状态的建模方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109145431A true CN109145431A (zh) | 2019-01-04 |
Family
ID=64789639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810928968.9A Pending CN109145431A (zh) | 2018-08-10 | 2018-08-10 | 一种监控电力二次系统运行状态的建模方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109145431A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110661727A (zh) * | 2019-08-14 | 2020-01-07 | 平安普惠企业管理有限公司 | 数据传输优化方法、装置、计算机设备和存储介质 |
| CN111885164A (zh) * | 2020-07-23 | 2020-11-03 | 广东电网有限责任公司 | 一种数据管理系统 |
| CN114390086A (zh) * | 2021-06-30 | 2022-04-22 | 国网新疆电力有限公司信息通信公司 | 一种适用于电力通信运行分析的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101498757A (zh) * | 2009-03-06 | 2009-08-05 | 深圳市双合电脑系统股份有限公司 | 一种电力系统实时动态监测与记录装置 |
| CN101951027A (zh) * | 2010-09-01 | 2011-01-19 | 中国电力科学研究院 | 中低压配电网统一数据采集与监控系统 |
| CN104300681A (zh) * | 2014-10-14 | 2015-01-21 | 许继电气股份有限公司 | 一种智能变电站的站级设备节点状态监测方法 |
| CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
| CN108200005A (zh) * | 2017-09-14 | 2018-06-22 | 国网浙江省电力公司宁波供电公司 | 基于非监督学习的电力二次系统网络流量异常检测方法 |
-
2018
- 2018-08-10 CN CN201810928968.9A patent/CN109145431A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101498757A (zh) * | 2009-03-06 | 2009-08-05 | 深圳市双合电脑系统股份有限公司 | 一种电力系统实时动态监测与记录装置 |
| CN101951027A (zh) * | 2010-09-01 | 2011-01-19 | 中国电力科学研究院 | 中低压配电网统一数据采集与监控系统 |
| CN104300681A (zh) * | 2014-10-14 | 2015-01-21 | 许继电气股份有限公司 | 一种智能变电站的站级设备节点状态监测方法 |
| CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
| CN108200005A (zh) * | 2017-09-14 | 2018-06-22 | 国网浙江省电力公司宁波供电公司 | 基于非监督学习的电力二次系统网络流量异常检测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110661727A (zh) * | 2019-08-14 | 2020-01-07 | 平安普惠企业管理有限公司 | 数据传输优化方法、装置、计算机设备和存储介质 |
| CN110661727B (zh) * | 2019-08-14 | 2022-09-30 | 平安普惠企业管理有限公司 | 数据传输优化方法、装置、计算机设备和存储介质 |
| CN111885164A (zh) * | 2020-07-23 | 2020-11-03 | 广东电网有限责任公司 | 一种数据管理系统 |
| CN111885164B (zh) * | 2020-07-23 | 2023-08-25 | 广东电网有限责任公司 | 一种数据管理系统 |
| CN114390086A (zh) * | 2021-06-30 | 2022-04-22 | 国网新疆电力有限公司信息通信公司 | 一种适用于电力通信运行分析的方法 |
| CN114390086B (zh) * | 2021-06-30 | 2023-11-17 | 国网新疆电力有限公司信息通信公司 | 一种适用于电力通信运行分析的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dong et al. | Short-term load forecasting in smart grid: A combined CNN and K-means clustering approach | |
| CN116129366B (zh) | 基于数字孪生的园区监测方法及相关装置 | |
| CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
| CN110348713A (zh) | 一种基于关联性分析和数据挖掘的台区线损计算方法 | |
| CN102567391B (zh) | 一种分类预测混合模型的建立方法及装置 | |
| CN112925989B (zh) | 一种属性网络的群体发现方法及系统 | |
| CN110866528B (zh) | 一种模型训练方法、能耗使用效率预测方法、装置和介质 | |
| CN103235974B (zh) | 一种提高海量空间数据处理效率的方法 | |
| CN112132014B (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
| CN104408518B (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
| CN111126820B (zh) | 反窃电方法及系统 | |
| CN108009710A (zh) | 基于相似度和TrustRank算法的节点测试重要度评估方法 | |
| Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
| Djenouri et al. | Fast and accurate deep learning framework for secure fault diagnosis in the industrial internet of things | |
| CN107742168A (zh) | 一种基于物联技术的生产车间动态瓶颈预测方法 | |
| CN112859822A (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
| CN112200266B (zh) | 基于图结构数据的网络训练方法、装置以及节点分类方法 | |
| CN109145431A (zh) | 一种监控电力二次系统运行状态的建模方法及装置 | |
| CN110943983A (zh) | 基于安全性态势感知与风险评估的网络安全预防方法 | |
| Lockhart et al. | Scission: Performance-driven and context-aware cloud-edge distribution of deep neural networks | |
| CN111626311B (zh) | 一种异构图数据处理方法和装置 | |
| CN103559389B (zh) | 一种县域耕地等级变化监测样点布设的方法 | |
| CN113989544A (zh) | 一种基于深度图卷积网络的群体发现方法 | |
| Tangrand | Some new contributions to neural networks and wavelets with applications | |
| Ghosh et al. | Weather data mining using artificial neural network |
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: 20190104 |
|
| RJ01 | Rejection of invention patent application after publication |