CN110108980B - 一种电力系统的异常事件的识别方法及装置 - Google Patents
一种电力系统的异常事件的识别方法及装置 Download PDFInfo
- Publication number
- CN110108980B CN110108980B CN201910357037.2A CN201910357037A CN110108980B CN 110108980 B CN110108980 B CN 110108980B CN 201910357037 A CN201910357037 A CN 201910357037A CN 110108980 B CN110108980 B CN 110108980B
- Authority
- CN
- China
- Prior art keywords
- state transition
- sequence
- abnormal events
- transition time
- known abnormal
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 234
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000007704 transition Effects 0.000 claims abstract description 94
- 238000012163 sequencing technique Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 49
- 230000006399 behavior Effects 0.000 claims description 39
- 238000004088 simulation Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 description 6
- 230000006854 communication Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008140 language development Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开一种电力系统的异常事件的识别方法及装置。该方法包括：对电力系统的线路上发生的已知异常事件进行仿真，得到已知异常事件的数据；将已知异常事件的数据按照时间排序，得到已知异常事件的状态迁移时间序列；提取同类已知异常事件的状态迁移时间序列的最长子序列，作为确定的支持度下的同类已知异常事件的特征序列，得到特征序列表；在确定的支持度下，遍历特征序列表，获取电力系统的线路上发生的未知异常事件的状态迁移时间序列与特征序列之间的包含关系；若未知异常事件的状态迁移时间序列包含一个同类已知异常事件的特征序列，则确定未知异常事件的种类与该类已知异常事件的种类相同。本发明可对识别异常事件，准确率和可靠性较高。
Description
技术领域
本发明涉及电力系统网络安全技术领域，尤其涉及一种电力系统的异常事件的识别方法及装置。
背景技术
电力系统作为现代社会最重要的基础设施之一，已经与通信系统深度融合，成为典型的信息物理系统(Cyber Physical System，CPS)。一方面，电网变得更加智能化；另一方面，它也带来了潜在的网络攻击风险。针对电力系统的网络攻击，可以利用控制设备和通信链路中的漏洞来破坏控制和测量信号，误导监控算法。如果操作员不采取适当的行动，电力系统故障(例如传输线断线)可能导致电力系统级联停电。
自然因素和网络攻击是导致电力系统异常的两种因素，需要采取不同的应急措施来防止异常事件扩大。因此，准确辨识异常事件的种类，将有助于电网及时采取准确有效的措施。
发明内容
本发明实施例提供一种电力系统的异常事件的识别方法及装置，以解决现有技术的不能准确识别电力系统的异常事件的种类的问题。
第一方面，一种电力系统的异常事件的识别方法，包括：
对所述电力系统的线路上发生的已知异常事件进行仿真，得到所述已知异常事件的数据；
将所述已知异常事件的数据按照时间排序，得到所述已知异常事件的状态迁移时间序列；
提取同类所述已知异常事件的状态迁移时间序列的最长子序列，作为确定的支持度下的同类所述已知异常事件的特征序列，得到特征序列表；其中，所述特征序列的支持度不小于所述确定的支持度，所述子序列中的元素的数量大于1，且所述状态迁移时间序列与所述子序列中的元素的排列顺序相同，所述支持度为在同类所述已知异常事件得到的多组所述状态迁移时间序列中，所述子序列在多组所述状态迁移时间序列中的比例；
在确定的支持度下，遍历所述特征序列表，获取所述电力系统的线路上发生的未知异常事件的状态迁移时间序列与所述特征序列之间的包含关系；
若所述未知异常事件的状态迁移时间序列包含一个同类所述已知异常事件的特征序列，则确定所述未知异常事件的种类与该类所述已知异常事件的种类相同。
第二方面，提供一种电力系统的异常事件的识别装置，包括：
仿真模块，用于对所述电力系统的线路上发生的已知异常事件进行仿真，得到所述已知异常事件的数据；
排序模块，用于将所述已知异常事件的数据按照时间排序，得到所述已知异常事件的状态迁移时间序列；
提取模块，用于提取同类所述已知异常事件的状态迁移时间序列的最长子序列，作为确定的支持度下的同类所述已知异常事件的特征序列，得到特征序列表；其中，所述特征序列的支持度不小于所述确定的支持度，所述子序列中的元素的数量大于1，且所述状态迁移时间序列与所述子序列中的元素的排列顺序相同，所述支持度为在同类所述已知异常事件得到的多组所述状态迁移时间序列中，所述子序列在多组所述状态迁移时间序列中的比例；
获取模块，用于在确定的支持度下，遍历所述特征序列表，获取所述电力系统的线路上发生的未知异常事件的状态迁移时间序列与所述特征序列之间的包含关系；
第一确定模块，用于若所述未知异常事件的状态迁移时间序列包含一个同类所述已知异常事件的特征序列，则确定所述未知异常事件的种类与该类所述已知异常事件的种类相同。
本发明实施例，仿真已知的可能发生在线路上的各种异常事件，以便获取各种异常事件的数据；有效的形成了一个时标统一的事件序列模型；根据预设的支持度提取已知异常事件的特征序列，有效的表征了某类异常事件发生时系统状态的代表性迁移过程，并去除了相似状态变化对判断的干扰；当未知异常事件发生后，根据获取到的状态迁移时间序列与已有的特征序列进行比对，以确定未知异常事件的类型，得到识别结果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的电力系统的异常事件的识别方法的流程图；
图2是本发明一优选实施例的硬件在环的信息物理仿真平台的示意图；
图3是本发明实施例的电力系统的异常事件的识别装置的结构框图；
图4是本发明一优选实施例的四机两区系统的示意图；
图5是本发明一优选实施例的频率测量的结果示意图；
图6是本发明一优选实施例的电压测量的结果示意图；
图7是本发明一优选实施例的电流测量的结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种电力系统的异常事件的识别方法。如图1所示，本发明实施例的方法包括如下的步骤：
步骤S101：对电力系统的线路上发生的已知异常事件进行仿真，得到已知异常事件的数据。
该仿真基于硬件在环的信息物理仿真平台，在某一系统的典型运行方式下进行。具体的，本发明一优选实施例的硬件在环的信息物理仿真平台如图2所示。
具体的，已知异常事件包括：自然故障和网络攻击行为。仿真的已知异常事件是可能发生的所有已知异常事件。
异常事件的数据一般包括：物理侧连续数据和信息侧离散数据。随着包括相量测量单元(Phasor Measurement Unit，PMU)等设备的同步相量系统的广泛部署，高速和时间同步的数据可被实时获取。同步相量系统可以提供物理侧连续数据的测量，例如，电压，电流和频率的测量。信息侧也包括大量特征数据，如流量状况、保护设备动作记录和非法连接等，这些数据也可以帮助区分网络攻击。
具体的，采用OPAL-RT仿真物理侧过程，OPNET仿真信息侧的通信过程，C语言开发的控制中心模拟收发数据、处理数据和下达控制指令过程。相对于实际系统中较少发生的异常事件场景，通过仿真获得了大量数据。
步骤S102：将已知异常事件的数据按照时间排序，得到已知异常事件的状态迁移时间序列。
例如，状态迁移时间序列为：
E＝{S1,S2,S3,…,Sm}。
其中，状态迁移时间序列中的元素Sm表示该时刻下的一已知异常事件的数据的集合，其表征了该时刻下的异常事件的状态。
具体的，
Sm＝{t,freq,<voltage>,<current>,<switch_status>,<commlink_status,…>}。
其中，t表示时刻，freq表示频率测量值，<voltage>表示各电压测量值，<current>表示各电流测量值，<switch_status>表示断路器状态，<commlink_status>表示通信链路状态。应当理解的是，异常事件的数据并不以此为限，还可以包括其他数据。一般的，Sm中所包含的状态量与具体系统中的监测对象一致。
Sm的展开形式具体如下：
步骤S103：提取同类已知异常事件的状态迁移时间序列的最长子序列，作为确定的支持度下的同类已知异常事件的特征序列，得到特征序列表。
其中，特征序列的支持度不小于确定的支持度。例如，确定的支持度为50％，则50％支持度下的同类已知异常事件的特征序列的支持度不小于50％。应当理解的是，上述的特征序列表包括每一确定的支持度下所有同类异常事件的特征序列。还应当理解的是，特征序列表中还包括与特征序列对应的异常事件的种类。不同支持度的特征序列示例如表1所示。特征序列与对应的异常事件的种类示例如表2所示。
表1不同支持度的特征序列示例
| 支持度(％) | 特征序列 |
| 50 | {S<sub>1</sub>,S<sub>2</sub>,S<sub>3</sub>,S<sub>4</sub>,S<sub>5</sub>} |
| 60 | {S<sub>1</sub>,S<sub>2</sub>,S<sub>3</sub>,S<sub>4</sub>,S<sub>5</sub>} |
| 70 | {S<sub>1</sub>,S<sub>3</sub>,S<sub>4</sub>,S<sub>5</sub>} |
| 80 | {S<sub>1</sub>,S<sub>3</sub>,S<sub>4</sub>,S<sub>5</sub>} |
| 100 | / |
表2特征序列与对应的异常事件的种类示例
| T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | T<sub>4</sub> | T<sub>5</sub> | T<sub>6</sub> | ||
| P<sub>1</sub> | S<sub>1</sub> | S<sub>2</sub> | S<sub>3</sub> | S<sub>4</sub> | S<sub>5</sub> | 理想状况 | |
| P<sub>2</sub> | S<sub>1</sub> | S<sub>2</sub> | S<sub>3</sub> | S<sub>4</sub> | S<sub>5</sub> | 传输延迟 | |
| P<sub>3</sub> | S<sub>1</sub> | S<sub>10</sub> | S<sub>2</sub> | S<sub>3</sub> | S<sub>4</sub> | S<sub>5</sub> | 意外状况 |
| P<sub>4</sub> | S<sub>1</sub> | S<sub>11</sub> | S<sub>3</sub> | S<sub>4</sub> | S<sub>5</sub> | 修正状况 | |
| P<sub>5</sub> | S<sub>21</sub> | S<sub>22</sub> | S<sub>23</sub> | S<sub>24</sub> | S<sub>25</sub> | 错误状况 |
子序列中的元素的数量大于1，即在状态迁移时间序列E中，Sm的数量至少为两个。状态迁移时间序列与其子序列中的元素的排列顺序相同。应当理解的是，子序列中的元素并不要求必须连续，可以是间断的。例如，状态迁移时间序列为E＝{S1,S2,S3,S4,S5}，其子序列可以是{S1,S2,S3}(子序列中的元素连续)，也可以是{S1,S3,S4}(子序列中的元素不连续)。
支持度为在同类已知异常事件得到的多组状态迁移时间序列中，子序列在多组状态迁移时间序列中的比例。例如，对同类异常事件进行仿真，得到了如下的几组状态迁移时间序列E1＝{S1,S2,S3,S4,S5}，E2＝{S1,S2,S4,S5}，E3＝{S2,S3,S4,S5}，子序列为{S1,S4}，子序列在状态迁移时间序列E1、E2中出现，则支持度为2/3。
应当理解的是，如果在同一支持度下，同类已知异常事件的状态迁移时间序列的最长子序列有两个以上，则这些最长子序列均作为特征序列。
优选的，针对自然故障和网络攻击行为这两种异常事件，对于同类异常事件的定义如下：
同类自然故障：在电力系统的同一条线路的不同位置发生的同一类自然故障为同类自然故障。
同类网络攻击行为攻击电力系统的同一条线路的不同组件的同一类网络攻击行为为同类网络攻击行为。
步骤S104：在确定的支持度下，遍历特征序列表，获取电力系统的线路上发生的未知异常事件的状态迁移时间序列与特征序列之间的包含关系。
一般的，根据经验，初次确定的支持度至少为50％。
步骤S105：若未知异常事件的状态迁移时间序列包含一个同类已知异常事件的特征序列，则确定未知异常事件的种类与该类已知异常事件的种类相同。
一般的，未知异常事件的状态迁移时间序列比同类已知异常事件的特征序列的长度长。例如，未知异常事件的状态迁移时间序列为E＝{S1,S2,S3,S4,S5}。一同类已知异常事件的特征序列为{S1,S3,S4}，该未知异常事件的状态迁移时间序列包含且只包含该一同类已知异常事件的特征序列，则该未知异常事件的种类与该一同类已知异常事件的种类相同。
通过上述的步骤，仿真已知的可能发生在线路上的各种异常事件，以便获取各种异常事件的数据；有效的形成了一个时标统一的事件序列模型；根据预设的支持度提取已知异常事件的特征序列，有效的表征了某类异常事件发生时系统状态的代表性迁移过程，并去除了相似状态变化对判断的干扰；当未知异常事件发生后，根据获取到的状态迁移时间序列与已有的特征序列进行比对，以确定未知异常事件的类型，得到识别结果。
优选的，步骤S104之后，本发明实施例的方法还包括如下的步骤：
(1)若未知异常事件的状态迁移时间序列未包含任一特征序列，或者，未知异常事件的状态迁移时间序列同时包含自然故障和网络攻击行为的特征序列，则按照支持度从高到低的顺序，重新确定支持度，并重复获取电力系统的线路上发生的未知异常事件的状态迁移时间序列与特征序列之间的包含关系的步骤，直到未知异常事件的状态迁移时间序列包含一个同类已知异常事件的特征序列。
例如，支持度为100％、80％、70％、60％、50％。初始确定的支持度为50％。在50％支持度下，未知异常事件的状态迁移时间序列未包含任一特征序列，或者，同时包含自然故障和网络攻击行为的特征序列，则重新确定支持度为100％。
在重新确定的支持度下，若未知异常事件的状态迁移时间序列未包含任一特征序列，或者，同时包含自然故障和网络攻击行为的特征序列，则再次重新确定支持度。例如，按照支持度从高到低的顺序，当100％支持度时，未知异常事件的状态迁移时间序列未包含任一特征序列，或者，同时包含自然故障和网络攻击行为的特征序列，则重新确定支持度为80％。以此类推，直到未知异常事件的状态迁移时间序列包含一个同类已知异常事件的特征序列。
(2)确定未知异常事件的种类与该类已知异常事件的种类相同。
通过上述的步骤，当未知异常事件的状态迁移时间序列未包含任一特征序列，或者，同时包含自然故障和网络攻击行为的特征序列，通过改变支持度，以便进一步确定未知异常事件的种类。
优选的，步骤S104之后，本发明实施例的方法还包括如下的步骤：
若遍历所有支持度，未知异常事件的状态迁移时间序列未包含任一特征序列，或者，未知异常事件的状态迁移时间序列同时包含自然故障和网络攻击行为的特征序列，则确定未知异常事件为新型网络攻击行为。
遍历所有支持度后，在任一支持度下，未知异常事件的状态迁移时间序列未包含任一特征序列，或者，未知异常事件的状态迁移时间序列同时包含自然故障和网络攻击行为的特征序列，只要存在上述任一种情况，未知异常事件不属于任意一类已知异常事件，因此，是一种新型网络攻击行为。在确定未知异常事件为新型网络攻击行为后，可将未知异常事件的特征序列和对应的异常事件种类存入特征序列表中。
应当理解的是，若遍历所有支持度，未知异常事件的状态迁移时间序列同时包含至少两类自然故障的特征序列，则可以确定该未知异常事件是已知种类的自然故障，但不能确定具体是哪一类已知种类的自然故障。同样的，若遍历所有支持度，未知异常事件的状态迁移时间序列同时包含至少两类网络攻击行为的特征序列，则可以确定该未知异常事件是已知种类的网络攻击行为，但不能确定具体是哪一类已知种类的网络攻击行为。
优选的，步骤S101具体包括如下的过程：
(1)在电力系统的同一条线路的20％～80％位置对多组同类自然故障进行仿真，得到同类自然故障的数据。
应当理解的是，同一条线路的20％～80％位置指的是，从该线路的起点开始的20％～80％位置。还应当理解的是，该同类自然故障可以发生在同一条线路的20％～80％位置的任一处。
(2)对多组同类攻击行为攻击电力系统的同一条线路的各种组件进行仿真，得到同类网络攻击行为的数据。
优选的，由于物理侧是连续数据，因此，为了得到信息物理融合的状态迁移时间序列，步骤S102具体包括如下的过程：
(1)对已知异常事件的物理侧连续数据进行离散化处理，得到已知异常事件的物理侧离散数据。
(2)将已知异常事件的物理侧离散数据与已知异常事件的信息侧离散数据按照时间顺序排列，使已知异常事件的物理侧离散数据与已知异常事件的信息侧离散数据形成统一的时间序列，得到已知异常事件的状态迁移时间序列。
通过该具体的步骤，可形成已知异常事件的信息物理融合的状态迁移时间序列。应当理解的是，未知异常事件也是通过上述的方法得到，只是针对的是未知异常事件，在此不再赘述。相较于目前信息侧和物理侧数据相对割裂的应用与分析方法，本发明实施例的方法可综合利用信息侧和物理侧的数据来描述事件过程，协同使用信息侧和物理侧的数据有助于更准确地辨识未知异常事件发生的原因。
优选的，对已知异常事件的物理侧连续数据进行离散化处理，得到已知异常事件的物理侧离散数据的步骤之前，本发明实施例的方法还包括：
将物理侧连续数据进行预处理。
具体的，将物理侧连续数据进行预处理的过程包括：
(1)将低于49.8Hz的频率测量值量化为0，将49.8Hz～50.2Hz的频率测量值量化为1，将高于50.2Hz的频率测量值量化为2。
电网频率的标准是正负0.2Hz以内，超过该范围就进入紧急状态，需要采取措施，因此，按照上述的方式预处理频率测量值。
(2)将小于0.9倍额定电压的电压测量值量化为0，将0.9倍额定电压至1.1倍额定电压的电压测量值量化为1，将大于1.1倍额定电压的电压测量值量化为2。
民用电的电压波动范围不能超过正负5％额定电压，否则就需要采取措施保证电压质量，因此，按照上述的方式预处理电压测量值。
(3)将小于0.8倍初始稳态电流值的电流测量值量化为0，将0.8～2倍初始稳态电流值的电流测量值量化为1，将大于2倍初始稳态电流值的电流测量值量化为2。
根据经验，按照上述的方式预处理电流测量值。应当理解的是，在不同的系统中可根据线路的重要性取不同的分类方法。
综上，本发明实施例的电力系统的异常事件的识别方法，可对电力系统的异常事件进行识别，准确率和可靠性较高；对于特征序列的提取，可以离线完成；可以在线对异常事件的类别进行识别，仅需要与获得的实际数据进行比对即可，物理意义清晰，计算速度高。
本发明实施例还公开一种电力系统的异常事件的识别装置。如图3所示，该装置包括如下的模块：
仿真模块301，用于对电力系统的线路上发生的已知异常事件进行仿真，得到已知异常事件的数据。
排序模块302，用于将已知异常事件的数据按照时间排序，得到已知异常事件的状态迁移时间序列。
提取模块303，用于提取同类已知异常事件的状态迁移时间序列的最长子序列，作为确定的支持度下的同类已知异常事件的特征序列，得到特征序列表。
其中，特征序列的支持度不小于确定的支持度，子序列中的元素的数量大于1，且状态迁移时间序列与子序列中的元素的排列顺序相同，支持度为在同类已知异常事件得到的多组状态迁移时间序列中，子序列在多组状态迁移时间序列中的比例；
获取模块304，用于在确定的支持度下，遍历特征序列表，获取电力系统的线路上发生的未知异常事件的状态迁移时间序列与特征序列之间的包含关系。
第一确定模块305，用于若未知异常事件的状态迁移时间序列包含一个同类已知异常事件的特征序列，则确定未知异常事件的种类与该类已知异常事件的种类相同。
优选的，异常事件包括：自然故障和网络攻击行为。
优选的，该装置还包括：
重复模块，用于获取电力系统的线路上发生的未知异常事件的状态迁移时间序列与特征序列之间的包含关系的步骤之后，若未知异常事件的状态迁移时间序列未包含任一特征序列，或者，未知异常事件的状态迁移时间序列同时包含自然故障和网络攻击行为的特征序列，则按照支持度从高到低的顺序，重新确定支持度，并重复获取电力系统的线路上发生的未知异常事件的状态迁移时间序列与特征序列之间的包含关系的步骤，直到未知异常事件的状态迁移时间序列包含一个同类已知异常事件的特征序列。
第二确定模块，用于确定未知异常事件的种类与该类已知异常事件的种类相同。
优选的，该装置还包括：
第三确定模块，用于获取电力系统的线路上发生的未知异常事件的状态迁移时间序列与特征序列之间的包含关系的步骤之后，若遍历所有支持度，未知异常事件的状态迁移时间序列未包含任一特征序列，或者，未知异常事件的状态迁移时间序列同时包含自然故障和网络攻击行为的特征序列，则确定未知异常事件为新型网络攻击行为。
优选的，同类异常事件的定义如下：
在电力系统的同一条线路的不同位置发生的同一类自然故障为同类自然故障。
攻击电力系统的同一条线路的不同组件的同一类网络攻击行为为同类网络攻击行为。
优选的，仿真模块301包括：
第一仿真子模块，用于在电力系统的同一条线路的20％～80％位置对多组同类自然故障进行仿真，得到同类自然故障的数据。
第二仿真子模块，用于对多组同类攻击行为攻击电力系统的同一条线路的各种组件进行仿真，得到同类网络攻击行为的数据。
优选的，已知异常事件的数据包括：物理侧连续数据和信息侧离散数据。
优选的，排序模块302包括：
离散子模块，用于对已知异常事件的物理侧连续数据进行离散化处理，得到已知异常事件的物理侧离散数据。
排序子模块，用于将已知异常事件的物理侧离散数据与已知异常事件的信息侧离散数据按照时间顺序排列，使已知异常事件的物理侧离散数据与已知异常事件的信息侧离散数据形成统一的时间序列，得到已知异常事件的状态迁移时间序列。
优选的，该装置还包括：
预处理模块，用于对已知异常事件的物理侧连续数据进行离散化处理，得到已知异常事件的物理侧离散数据的步骤之前，将物理侧连续数据进行预处理。
优选的，该预处理模块包括：
第一预处理子模块，用于将低于49.8Hz的频率测量值量化为0，将49.8Hz～50.2Hz的频率测量值量化为1，将高于50.2Hz的频率测量值量化为2。
第二预处理子模块，用于将小于0.9倍额定电压的电压测量值量化为0，将0.9倍额定电压至1.1倍额定电压的电压测量值量化为1，将大于1.1倍额定电压的电压测量值量化为2。
第三预处理子模块，用于将小于0.8倍初始稳态电流值的电流测量值量化为0，将0.8～2倍初始稳态电流值的电流测量值量化为1，将大于2倍初始稳态电流值的电流测量值量化为2。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
综上，本发明实施例的电力系统的异常事件的识别装置，可对电力系统的异常事件进行识别，准确率和可靠性较高；对于特征序列的提取，可以离线完成；可以在线对异常事件的类别进行识别，仅需要与获得的实际数据进行比对即可，物理意义清晰，计算速度高。
下面以一具体实施例对本发明实施例的方案做进一步说明。
本发明优选的实施例通过联合仿真平台，产生和采集三相短路故障场景的信息物理数据，进行融合事件序列生成。在仿真平台上搭建如图4所示的四机两区系统，通过RT-LAB收集电力物理侧的测量值，包括节点电压、注入电流、线路电流、系统频率等，通过OPNET记录断路器R1和R2的动作记录以及相关的通信链路信息。
三相短路故障场景的短路点设置在联络线N9-N12上，相应的控制动作为跳开断路器R1和R2。联络线N9-N12被切断，引起N8-N10过载被切断。此时功率受端B区内发生功率缺额，在N11节点切除负荷防止故障扩散，维持电网稳定。
以在联合仿真平台上仿真发生在线路的50％位置处的故障为例，说明形成信息物理融合的状态迁移时间序列的过程。在第25秒时发生三相短路故障，当断路器就地检测到线路电流超过电流上限时，动作切断故障电路。
部分节点的物理侧连续数据如图5～7所示。将物理侧连续数据离散化处理之后得到的部分数据为：
(1)以节点N12的离散化过程为例给出电流状态量离散化的过程。节点N12的故障前正常电流为500A，以此为基准进行离散化，可获得物理状态量N12的离散化结果为{0,1}，{24.50,2}，{24.70,1}。频率曲线离散化得到的结果为{0,1}，{24.9,2}，{24.95,1}，{25.2,0}，{27.8,1}。
(2)以节点N10电压的离散化过程为例，给出电压离散化的过程。节点N10的初始电压为138kV，以此作为离散化基准，得到N10电压状态量的离散化结果为{0,1},{24.6,0}。
信息侧记录到的断路器动作记录为断路器R1在25.0633s时断开，断路器R2在25.0657s时断开。因此断路器的事件记录形式为R1：{0,1}，{25.0633,0}，以及，R2：{0,1}，{25.0657,0}。
将所有的物理侧状态量和信息侧状态量合并且与时间对应，即可形成最终的三相短路故障的信息物理融合事件的状态，如表3所示。
表3物理侧和信息侧数据表征三相短路故障的状态
| t | V<sub>10</sub> | V<sub>5</sub> | V<sub>12</sub> | V<sub>11</sub> | I<sub>10</sub> | I<sub>5</sub> | I<sub>12</sub> | I<sub>11</sub> | f | I<sub>R1</sub> | I<sub>R2</sub> | R<sub>1</sub> | R<sub>2</sub> |
| 0 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 25.0633 | 1 | 1 | 0 | 1 | 1 | 1 | 1 | 1 | 1 | 2 | 1 | 0 | 1 |
| 25.0657 | 0 | 0 | 0 | 0 | 1 | 1 | 2 | 2 | 2 | 2 | 1 | 0 | 0 |
| 25.1257 | 0 | 0 | 0 | 1 | 1 | 2 | 2 | 2 | 1 | 0 | 0 | 0 | 0 |
| 25.1266 | 1 | 0 | 1 | 1 | 1 | 2 | 2 | 2 | 1 | 0 | 0 | 0 | 0 |
| 25.1284 | 1 | 0 | 1 | 1 | 1 | 2 | 2 | 1 | 1 | 0 | 0 | 0 | 0 |
| 25.1302 | 1 | 0 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 0 | 0 | 0 | 0 |
| 25.1326 | 1 | 0 | 2 | 1 | 1 | 2 | 1 | 1 | 1 | 0 | 0 | 0 | 0 |
| 50.4277 | 1 | 0 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 |
| 50.4925 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 |
自然故障的事故过程为：三相短路故障发生在联络线N9-N12上，相应的控制动作为跳开断路器R1和R2。联络线N9-N12被切断，引起N8-N10过载被切断。此时功率受端B区内发生功率缺额，在N11节点切除负荷防止故障扩散，维持电网稳定。
为产生提取公共序列的数据，排除故障条件变化对特征序列的影响，仿真并收集故障点在联络线全长20％～80％位置处的自然故障过程数据，形成自然故障的状态迁移时间序列，如表4所示。
表4不同故障点的自然故障的状态迁移时间序列
| 故障点位置 | 状态迁移时间序列 |
| 20％ | S<sub>1</sub>-S<sub>2</sub>-S<sub>4</sub>-S<sub>10</sub> |
| 30％ | S<sub>1</sub>-S<sub>2</sub>-S<sub>4</sub>-S<sub>10</sub> |
| 40％ | S<sub>1</sub>-S<sub>2</sub>-S<sub>3</sub>-S<sub>6</sub>-S<sub>7</sub>-S<sub>8</sub>-S<sub>10</sub> |
| 50％ | S<sub>1</sub>-S<sub>2</sub>-S<sub>3</sub>-S<sub>6</sub>-S<sub>7</sub>-S<sub>8</sub>-S<sub>10</sub> |
| 60％ | S<sub>1</sub>-S<sub>2</sub>-S<sub>8</sub>-S<sub>10</sub> |
| 70％ | S<sub>1</sub>-S<sub>2</sub>-S<sub>10</sub> |
| 80％ | S<sub>1</sub>-S<sub>2</sub>-S<sub>3</sub>-S<sub>6</sub>-S<sub>8</sub>-S<sub>9</sub>-S<sub>8</sub>-S<sub>10</sub> |
网络攻击行为的过程是：对电力系统的信息层进行伪造指令注入攻击，控制联络线断路器断开线路。
对仿真数据进行状态迁移事件生成，得到此网络攻击行为的特征序列为
具体事件组成如表5所示。
表5物理侧和信息侧数据表征注入攻击的状态
通过蒙特卡洛方法仿真抽样，构造了25组测试数据，其中与前述相同的自然故障场景17组，网络攻击行为场景5组，新未知类型的故障场景2组，新未知类型的网络攻击行为场景1组。
匹配自然故障时，先用S1-S2-S8-S10进行尝试；若匹配不上(不符合前述的包含关系)，则换用支持度最高的S1-S2-S10再次尝试匹配。
匹配网络攻击行为时，用
进行匹配。
对测试例的异常事件进行序列匹配分类，分类结果如表6所示。
表6异常事件的序列匹配分类结果
从分类结果可见，与已知异常事件类型相同的未知异常事件能被准确归类，确切地获知其异常事件的种类。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种电力系统的异常事件的识别方法，其特征在于，包括：
对所述电力系统的线路上发生的已知异常事件进行仿真，得到所述已知异常事件的数据；所述已知异常事件的数据包括：物理侧连续数据和信息侧离散数据；
将所述已知异常事件的数据按照时间排序，得到所述已知异常事件的状态迁移时间序列；此过程包括：对所述已知异常事件的物理侧连续数据进行离散化处理，得到所述已知异常事件的物理侧离散数据；将所述已知异常事件的物理侧离散数据与所述已知异常事件的信息侧离散数据按照时间顺序排列，使所述已知异常事件的物理侧离散数据与所述已知异常事件的信息侧离散数据形成统一的时间序列，得到所述已知异常事件的状态迁移时间序列；
在所述离散化处理之前，将所述物理侧连续数据进行预处理，包括：
将低于49.8Hz的频率测量值量化为0，将49.8Hz~50.2Hz的频率测量值量化为1，将高于50.2Hz的频率测量值量化为2；将小于0.9倍额定电压的电压测量值量化为0，将0.9倍额定电压至1.1倍额定电压的电压测量值量化为1，将大于1.1倍额定电压的电压测量值量化为2；将小于0.8倍初始稳态电流值的电流测量值量化为0，将0.8~2倍初始稳态电流值的电流测量值量化为1，将大于2倍初始稳态电流值的电流测量值量化为2；
提取同类所述已知异常事件的状态迁移时间序列的最长子序列，作为确定的支持度下的同类所述已知异常事件的特征序列，得到特征序列表，特征序列表包括每一确定的支持度下所有同类异常事件的特征序列；其中，所述特征序列的支持度不小于所述确定的支持度，所述最长子序列中的元素的数量大于1，且所述状态迁移时间序列与所述最长子序列中的元素的排列顺序相同，所述支持度为在同类所述已知异常事件得到的多组所述状态迁移时间序列中，所述最长子序列在多组所述状态迁移时间序列中的比例；
在确定的支持度下，遍历所述特征序列表，获取所述电力系统的线路上发生的未知异常事件的状态迁移时间序列与所述特征序列之间的包含关系；
若所述未知异常事件的状态迁移时间序列包含一个同类所述已知异常事件的特征序列，则确定所述未知异常事件的种类与该类所述已知异常事件的种类相同。
2.根据权利要求1所述的方法，其特征在于，所述异常事件包括：自然故障和网络攻击行为；
则所述获取所述电力系统的线路上发生的未知异常事件的状态迁移时间序列与所述特征序列之间的包含关系的步骤之后，所述方法还包括：
若所述未知异常事件的状态迁移时间序列未包含任一所述特征序列，或者，所述未知异常事件的状态迁移时间序列同时包含所述自然故障和所述网络攻击行为的特征序列，则按照支持度从高到低的顺序，重新确定支持度，并重复所述获取所述电力系统的线路上发生的未知异常事件的状态迁移时间序列与所述特征序列之间的包含关系的步骤，直到所述未知异常事件的状态迁移时间序列包含一个同类所述已知异常事件的特征序列；
确定所述未知异常事件的种类与该类所述已知异常事件的种类相同。
3.根据权利要求1所述的方法，其特征在于，所述异常事件包括：自然故障和网络攻击行为；所述获取所述电力系统的线路上发生的未知异常事件的状态迁移时间序列与所述特征序列之间的包含关系的步骤之后，所述方法还包括：
若遍历所有支持度，所述未知异常事件的状态迁移时间序列未包含任一所述特征序列，或者，所述未知异常事件的状态迁移时间序列同时包含所述自然故障和所述网络攻击行为的特征序列，则确定所述未知异常事件为新型网络攻击行为。
4.根据权利要求2所述的方法，其特征在于：
在所述电力系统的同一条线路的不同位置发生的同一类所述自然故障为同类自然故障；
攻击所述电力系统的同一条线路的不同组件的同一类网络攻击行为为同类网络攻击行为。
5.根据权利要求4所述的方法，其特征在于，所述对所述电力系统的线路上发生的已知异常事件进行仿真，得到所述已知异常事件的数据的步骤，包括：
在所述电力系统的同一条线路的20%~80%位置对多组所述同类自然故障进行仿真，得到所述同类自然故障的数据；
对多组所述同类网络 攻击行为攻击所述电力系统的同一条线路的各种组件进行仿真，得到所述同类网络攻击行为的数据。
6.一种电力系统的异常事件的识别装置，其特征在于，包括：
仿真模块，用于对所述电力系统的线路上发生的已知异常事件进行仿真，得到所述已知异常事件的数据；所述已知异常事件的数据包括：物理侧连续数据和信息侧离散数据；
排序模块，用于将所述已知异常事件的数据按照时间排序，得到所述已知异常事件的状态迁移时间序列；包括：对所述已知异常事件的物理侧连续数据进行离散化处理，得到所述已知异常事件的物理侧离散数据；将所述已知异常事件的物理侧离散数据与所述已知异常事件的信息侧离散数据按照时间顺序排列，使所述已知异常事件的物理侧离散数据与所述已知异常事件的信息侧离散数据形成统一的时间序列，得到所述已知异常事件的状态迁移时间序列；
在所述离散化处理之前，将所述物理侧连续数据进行预处理，包括：
将低于49.8Hz的频率测量值量化为0，将49.8Hz~50.2Hz的频率测量值量化为1，将高于50.2Hz的频率测量值量化为2；将小于0.9倍额定电压的电压测量值量化为0，将0.9倍额定电压至1.1倍额定电压的电压测量值量化为1，将大于1.1倍额定电压的电压测量值量化为2；将小于0.8倍初始稳态电流值的电流测量值量化为0，将0.8~2倍初始稳态电流值的电流测量值量化为1，将大于2倍初始稳态电流值的电流测量值量化为2；
提取模块，用于提取同类所述已知异常事件的状态迁移时间序列的最长子序列，作为确定的支持度下的同类所述已知异常事件的特征序列，得到特征序列表，特征序列表包括每一确定的支持度下所有同类异常事件的特征序列；其中，所述特征序列的支持度不小于所述确定的支持度，所述最长子序列中的元素的数量大于1，且所述状态迁移时间序列与所述最长子序列中的元素的排列顺序相同，所述支持度为在同类所述已知异常事件得到的多组所述状态迁移时间序列中，所述最长子序列在多组所述状态迁移时间序列中的比例；
获取模块，用于在确定的支持度下，遍历所述特征序列表，获取所述电力系统的线路上发生的未知异常事件的状态迁移时间序列与所述特征序列之间的包含关系；
第一确定模块，用于若所述未知异常事件的状态迁移时间序列包含一个同类所述已知异常事件的特征序列，则确定所述未知异常事件的种类与该类所述已知异常事件的种类相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910357037.2A CN110108980B (zh) | 2019-04-29 | 2019-04-29 | 一种电力系统的异常事件的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910357037.2A CN110108980B (zh) | 2019-04-29 | 2019-04-29 | 一种电力系统的异常事件的识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110108980A CN110108980A (zh) | 2019-08-09 |
| CN110108980B true CN110108980B (zh) | 2021-08-17 |
Family
ID=67487642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910357037.2A Active CN110108980B (zh) | 2019-04-29 | 2019-04-29 | 一种电力系统的异常事件的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110108980B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111077803A (zh) * | 2019-12-24 | 2020-04-28 | 国电南瑞科技股份有限公司 | 一种全景式信息物理融合系统仿真架构及其工作方法 |
| CN113467311B (zh) * | 2021-07-08 | 2023-03-14 | 国网新疆电力有限公司电力科学研究院 | 基于软件定义的电力物联网安全防护装置及方法 |
| CN113723502A (zh) * | 2021-08-27 | 2021-11-30 | 西安热工研究院有限公司 | 一种基于电流波形的风力发电机组变频器网侧异常识别方法及系统 |
| CN116167010B (zh) * | 2023-04-25 | 2023-12-08 | 南方电网数字电网研究院有限公司 | 具有智能迁移学习能力的电力系统异常事件快速识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011056144A1 (en) * | 2009-11-06 | 2011-05-12 | Nanyang Polytechnic | Fault signature-based case library system and method for power system trouble-shooting and recovery |
| CN102271091A (zh) * | 2011-09-06 | 2011-12-07 | 电子科技大学 | 一种网络异常事件分类方法 |
| CN104316801A (zh) * | 2014-10-31 | 2015-01-28 | 国家电网公司 | 基于时间序列相似性匹配的电力系统故障诊断方法 |
| CN107360133A (zh) * | 2017-06-08 | 2017-11-17 | 全球能源互联网研究院 | 一种面向电网信息物理系统的网络攻击仿真方法及系统 |
| CN107611940A (zh) * | 2017-08-21 | 2018-01-19 | 国网山东省电力公司济南供电公司 | 一种基于历史数据分析的配电网异常监测方法与系统 |
| CN107844540A (zh) * | 2017-10-25 | 2018-03-27 | 电子科技大学 | 一种用于电力数据的时间序列挖掘方法 |
-
2019
- 2019-04-29 CN CN201910357037.2A patent/CN110108980B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011056144A1 (en) * | 2009-11-06 | 2011-05-12 | Nanyang Polytechnic | Fault signature-based case library system and method for power system trouble-shooting and recovery |
| CN102271091A (zh) * | 2011-09-06 | 2011-12-07 | 电子科技大学 | 一种网络异常事件分类方法 |
| CN104316801A (zh) * | 2014-10-31 | 2015-01-28 | 国家电网公司 | 基于时间序列相似性匹配的电力系统故障诊断方法 |
| CN107360133A (zh) * | 2017-06-08 | 2017-11-17 | 全球能源互联网研究院 | 一种面向电网信息物理系统的网络攻击仿真方法及系统 |
| CN107611940A (zh) * | 2017-08-21 | 2018-01-19 | 国网山东省电力公司济南供电公司 | 一种基于历史数据分析的配电网异常监测方法与系统 |
| CN107844540A (zh) * | 2017-10-25 | 2018-03-27 | 电子科技大学 | 一种用于电力数据的时间序列挖掘方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110108980A (zh) | 2019-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110108980B (zh) | 一种电力系统的异常事件的识别方法及装置 | |
| Rezaei et al. | Estimating cascading failure risk with random chemistry | |
| CN110166483B (zh) | 一种电网故障以及网络攻击的辨识方法、装置及设备 | |
| EP2720332B1 (en) | Online protection coordination for distribution management system | |
| Timko et al. | Monte Carlo simulation of power system stability | |
| CN108053332B (zh) | 一种基于配置文件的故障树自动生成方法及系统 | |
| CN108521122A (zh) | 一种考虑备自投的电力系统静态安全分析方法 | |
| CN105379135A (zh) | 电网中实时自动诊断的系统和方法 | |
| CN106548265A (zh) | 一种基于连锁故障事故链搜索的输电网可靠性评估方法 | |
| CN111525495A (zh) | 一种继电保护定值在线校核方法、系统、计算机存储介质 | |
| CN110807172A (zh) | 一种电力系统继电保护的风险预测方法和装置 | |
| Khurram et al. | Formal reliability analysis of protective relays in power distribution systems | |
| CN110912090B (zh) | 一种电力系统距离ⅱ段后备保护的快速介入方法 | |
| DE102018102394A1 (de) | Fehlerdetektionsvorrichtung einer ortsnetzstation | |
| Hasan et al. | Heuristics-based approach for identifying critical N—k contingencies in power systems | |
| Hasan et al. | A simulation testbed for cascade analysis | |
| CN111953657A (zh) | 一种序列-数据联合驱动的配电网cps网络攻击辨识方法 | |
| CN106066436A (zh) | 考虑连锁跳闸的电网运行状态识别方法 | |
| Pal et al. | Analysis and modeling of protection system hidden failures and its impact on power system cascading events | |
| CN114757496A (zh) | 配电网供电可靠性的评估方法及装置 | |
| Henneaux et al. | Dynamic probabilistic risk assessment of cascading outages | |
| CN110188421B (zh) | 基于着色随机Petri网的电网连锁故障建模仿真方法 | |
| Alves et al. | Voltage sag stochastic estimate | |
| Kezunovic | Use of intelligent techniques for analysis of faults and protective relay operations | |
| CN109638788B (zh) | 中压母差保护装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |