CN111898631A - 离散事件分析方法、装置、电子设备和存储介质 - Google Patents
离散事件分析方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111898631A CN111898631A CN202010537172.8A CN202010537172A CN111898631A CN 111898631 A CN111898631 A CN 111898631A CN 202010537172 A CN202010537172 A CN 202010537172A CN 111898631 A CN111898631 A CN 111898631A
- Authority
- CN
- China
- Prior art keywords
- discrete
- node
- information network
- determining
- event
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 12
- 238000011160 research Methods 0.000 abstract description 7
- 230000003993 interaction Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 9
- 239000000243 solution Substances 0.000 description 9
- 230000000903 blocking effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000007906 compression Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种离散事件分析方法、装置、电子设备和存储介质,其中方法包括:确定信息网络中各个节点输出的离散时间序列;所述各个节点输出的离散时间序列基于所述信息网络对应的电气网络事件链确定;基于所述信息网络中任一节点的离散时间序列,确定所述任一节点对应的等变化量离散状态序列;基于每一节点对应的等变化量离散状态序列,确定所述信息网络中各个节点对应的离散事件链。本发明实施例提供的方法、装置、电子设备和存储介质,所提取的离散事件链能够准确反映信息物理电力网络的快速动态特性,有利于研究信息网络和电气网络的相互影响机理和进行电气网络的故障分析。
Description
技术领域
本发明涉及电气工程领域,具体涉及一种离散事件分析方法、装置、电子设备和存储介质。
背景技术
为了适应电气网络高可控性、高灵活性等特点,信息网络也由过去比较简单的点对点通信逐步发展成为模型和数据驱动分析、目标多样化、适应不同程度不确定性的复杂网络。为了提高信息物理电力网络的安全稳定性,消除信息物理连锁故障的隐患,必须能够全面、准确的理解信息物理电力网络的动态行为特性以及其中关联故障发生和发展的机理。根据电气网络事件建立对应的信息网络离散事件链并进行分析,是解决这一问题的有效办法。
现有技术中,通常是采用仿真方法,从已有的仿真结果中抽取识别特定事件来获取信息网络离散事件链,如变压器控制事件等。所获取的信息网络离散事件链不是从电力系统的连续动态过程中获取的,不能反映信息物理电力网络的快速动态特性;此外,数据量较大,不利于研究信息网络和电气网络的相互影响机理和进行电气网络的故障分析。
发明内容
本发明实施例提供一种离散事件分析方法、装置、电子设备和存储介质,用以解决现有的信息网络离散事件链不能反映信息物理电力网络的快速动态特性,且数据量大,不利于研究信息网络和电气网络的相互影响机理的问题。
第一方面,本发明实施例提供一种离散事件分析方法,包括:
确定信息网络中各个节点输出的离散时间序列;所述各个节点输出的离散时间序列基于所述信息网络对应的电气网络事件链确定;
基于所述信息网络中任一节点的离散时间序列,确定所述任一节点对应的等变化量离散状态序列;
基于每一节点对应的等变化量离散状态序列,确定所述信息网络中各个节点对应的离散事件链。
可选地,所述各个节点输出的离散时间序列基于所述信息网络对应的电气网络事件链确定,包括:
基于所述信息网络对应的电气网络事件链,确定若干个预设时间段内每个元件的事件数改变量;
基于所述若干个预设时间段内任一元件的事件数改变量,确定所述信息网络中安装于所述任一元件处的端节点的输入数据流;
基于所述信息网络,以及所述信息网络中每个端节点的输入数据流,得到所述信息网络中各个节点输出的离散时间序列。
可选地,所述基于所述信息网络中任一节点的离散时间序列,确定所述任一节点对应的等变化量离散状态序列,包括:
基于所述信息网络中任一节点的离散时间序列,以及预设离散阈值,确定所述任一节点对应的等变化量离散状态序列。
可选地,所述基于所述信息网络中任一节点的离散时间序列,以及预设离散阈值,确定所述任一节点对应的等变化量离散状态序列,具体包括:
对于所述信息网络中任一节点,若当前时刻对应的离散时间序列值与前一时刻对应的等变化量离散状态序列值之差大于所述预设离散阈值,则将所述当前时刻对应的离散时间序列值作为当前时刻对应的等变化量离散状态序列值,否则将前一时刻对应的等变化量离散状态序列值作为当前时刻对应的等变化量离散状态序列值。
可选地,所述基于每一节点对应的等变化量离散状态序列,确定所述信息网络中各个节点对应的离散事件链,包括:
基于任一节点对应的等变化量离散状态序列,确定任一节点对应的若干个离散事件以及每个离散事件发生的时刻;
基于所述每一节点对应的每个离散事件以及每个离散事件发生的时刻,确定所述信息网络中各个节点对应的离散事件链。
可选地,所述基于任一节点对应的等变化量离散状态序列,确定任一节点对应的若干个离散事件以及每个离散事件发生的时刻,具体包括:
在任一节点对应的等变化量离散状态序列中,若存在当前时刻对应的离散状态序列值不等于后一时刻对应的离散状态序列值,则确定当前时刻所述任一节点存在一个离散事件。
可选地,所述基于每一节点对应的等变化量离散状态序列,确定所述信息网络中各个节点对应的离散事件链,之后包括:
对所述信息网络中各个节点对应的离散事件链进行聚类分析,确定所述信息网络对应的聚类结果;
基于所述信息网络对应的聚类结果,确定所述信息网络对应的电气网络的故障特征。
第二方面,本发明实施例提供一种离散事件分析装置,包括:
时间序列确定单元,用于确定信息网络中各个节点输出的离散时间序列;所述各个节点输出的离散时间序列基于所述信息网络对应的电气网络事件链确定;
状态序列确定单元,用于基于所述信息网络中任一节点的离散时间序列,确定所述任一节点对应的等变化量离散状态序列;
事件链确定单元,用于基于每一节点对应的等变化量离散状态序列,确定所述信息网络中各个节点对应的离散事件链。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在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如第一方面所述的离散事件分析方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的离散事件分析方法的步骤。
本发明实施例提供的离散事件分析方法、装置、电子设备和存储介质,通过根据电气网络事件链确定信息网络中各个节点输出的离散时间序列,将得到的离散时间序列转换为等变化量离散状态序列,进而提取出信息网络的离散事件链,实现了对信息网络中的离散时间序列进行压缩和降维,在表征电气网络运行状态的连续数据流中提取了离散事件链,所提取的离散事件链能够准确反映信息物理电力网络的快速动态特性,有利于研究信息网络和电气网络的相互影响机理和进行电气网络的故障分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的离散事件分析方法的流程示意图;
图2为本发明实施例提供的电气网络拓扑图的示意图;
图3为本发明实施例提供的信息网络拓扑图的示意图;
图4为本发明实施例提供的离散事件链的示意图;
图5为本发明实施例提供的离散事件分析装置的结构示意图;
图6为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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得的所有其他实施例,都属于本发明保护的范围。
现代电网可看作由电气网络和信息网络等组成的信息物理电力网络,分析信息物理电力网络动态过程有助于识别电网运行中的异常工况和设备故障,保障电网安全稳定运行。
为了提高信息物理电力网络的安全稳定性,消除信息物理连锁故障的隐患,必须能够全面、准确的理解信息物理电力网络的动态行为特性以及其中关联故障发生和发展的机理。根据电力网络事件建立对应的信息网络离散事件链并进行分析,是解决这一问题的有效办法。现有的离散事件分析方法所得到的离散事件链不能反映信息物理电力网络的快速动态特性;此外,数据量较大,不利于研究信息网络和电气网络的相互影响机理和进行电气网络的故障分析。
针对现有技术的不足,图1为本发明实施例提供的离散事件分析方法的流程示意图,如图1所示,该方法包括:
步骤110,确定信息网络中各个节点输出的离散时间序列;各个节点输出的离散时间序列基于信息网络对应的电气网络事件链确定;
具体地,现代电网为信息物理系统,包括电气网络和信息网络。其中,电气网络中实体包括发电机、母线等物理元件,信息网络中实体包括路由器、数据线等物理元件。电气网络中的事件为电力系统运行中发生的事件,例如母线短路故障和电网切负荷等,将电气网络中发生的事件按照时间顺序排列可以得到电气网络事件链。信息网络中的事件为信息网络中监测到的电力系统状态的改变,例如系统电压变化等,将信息网络中发生的事件按照时间顺序排列可以得到信息网络事件链。
电网运行过程中,电气网络发生故障事件,必然导致整个电网的运行状态参数发生改变,相应地,信息网络所监测到的系统状态也会发生改变,即电气网络中的事件发生必然导致信息网络中的事件发生。因此,信息网络中各个节点的输出也必然与电气网络中的事件有关联。
信息网络中各个节点的输出为按照时间顺序排列的离散值,即离散时间序列。该离散时间序列是基于信息网络对应的电气网络事件链确定。
步骤120,基于信息网络中任一节点的离散时间序列,确定任一节点对应的等变化量离散状态序列;
具体地,信息网络中任一节点的离散时间序列为对表征电力系统运行状态的连续曲线进行等时间步长的离散化得到的序列,相邻两个离散点之间的时间间隔相等。
任一节点输出的离散时间序列是按照固定时间间隔获取的,其中包含了大量的数据量。对于研究信息网络和电气网络的相互影响机理和进行电气网络的故障分析时,事件发生前后的离散事件序列具有很高的研究价值的,能够准确反映电网的动态特性。在没有事件发生时的离散事件序列对于机理研究和故障分析,研究价值较小,反而会占据大量的存储空间,增加分析算法的计算复杂度。
任一节点对应的等变化量离散状态序列为对表征电力系统运行状态的连续曲线进行等变化量的离散化得到的序列,相邻两个离散点之间的事件数变化量相等。
根据信息网络中任一节点的离散时间序列,确定任一节点对应的等变化量离散状态序列,可以实现对数据的压缩。
步骤130,基于每一节点对应的等变化量离散状态序列,确定信息网络中各个节点对应的离散事件链。
具体地,根据每一节点对应的等变化量离散状态序列,判断信息网络中是否有事件发生,进而记录信息网络中发生的事件,得到信息网络中各个节点对应的离散事件链,实现了对于等变化量离散状态序列的降维处理。
例如,图2为本发明实施例提供的电气网络拓扑图的示意图,如图2所示,电气网络包括了9条母线和3台发电机。图3为本发明实施例提供的信息网络拓扑图的示意图,如图3所示,该信息网络对应于图2中所示的电气网络,信息网络包括了10个节点,其中节点1-9分别表示电气网络中每条母线对应的传感器,节点0负责汇集节点1-9的数据。当电气网络中某条母线发生短暂的短路故障时,其对应的传感器所监测到的电流值会显著增加又恢复正常,相应地,信息网络中的节点的输出的离散时间序列也会发生相应变化,体现为序列值显著增加后又恢复正常值。
图4为本发明实施例提供的离散事件链的示意图,如图4所示,在信息网络中,对于电气网络发生的母线短路故障,从某节点输出的离散时间序列中能够得到充分体现。基于离散时间序列得到的等变化量离散状态序列如图4所示,等变化量离散状态序列是对离散时间序列进行的有损压缩,最终提取的离散事件链是对等变化量离散状态序列的降维处理。
本发明实施例提供的离散事件分析方法,通过根据电气网络事件链确定信息网络中各个节点输出的离散时间序列,将得到的离散时间序列转换为等变化量离散状态序列,进而提取出信息网络的离散事件链,实现了对信息网络中的离散时间序列进行压缩和降维,在表征电气网络运行状态的连续数据流中提取了离散事件链,所提取的离散事件链能够准确反映信息物理电力网络的快速动态特性,有利于研究信息网络和电气网络的相互影响机理和进行电气网络的故障分析。
基于上述实施例,步骤110包括:
基于信息网络对应的电气网络事件链,确定若干个预设时间段内每个元件的事件数改变量;
基于若干个预设时间段内任一元件的事件数改变量,确定信息网络中安装于任一元件处的端节点的输入数据流;
基于信息网络,以及信息网络中每个端节点的输入数据流,得到信息网络中各个节点输出的离散时间序列。
具体地,由于信息网络中事件和事件链的定义与电气网络并不完全等价,因此需要根据信息网络对应的电气网络事件链确定信息网络中各个节点输出的离散时间序列。
本发明实施例中,电气网络事件链是由电气网络仿真得到的。电气网络事件链可以看成是电气网络中一系列按照时间顺序排列的事件。根据电气网络事件链可得到单位时间内发生的事件数,由于任一事件代表了电气网络中的警报数量,根据单位时间事件数即可最终确定各个端节点的输入数据流。
假设电气网络第i步仿真时间为ti,tpre为信息网络输入的上一次更新时刻,第i步第k个元件发生的事件数为为信息网络输入上一次更新时该元件的事件数,Δtset为预设时间段,即信息网络输入更新时间间隔,电气网络每进行时长为Δtset的仿真就更新一次信息网络的输入。
由电气网络事件链确定信息网络中每个端节点输入数据流的过程可以通过信息网络数据流输入更新算法实现。算法如下:
步骤1,获取电气网络仿真当前时刻ti;
步骤2,判断是否到达预设时间段。如果|ti-tpre|<Δtset,则继续电气网络仿真,否则进入下一步;
步骤4,更新信息网络的输入。设信息网络中安装于第k个元件处的端节点输入数据流为Ik,则Ik=F(ΔCk),其中F(·)是一个根据端节点具体情况确定的ΔCk→Ik的映射;
步骤6,继续电气网络仿真。
根据信息网络中的各个节点以及其连接关系,根据信息网络中端节点的输入数据流,可以确定其余各个节点的输出信息流。
由上述算法步骤可知,信息网络中各个节点的输入是按照固定时间步长更新的,对应地,信息网络各个节点的输出也是时间间隔相等的时间序列。
根据信息网络中端节点的输入确定其余各个节点的输出信息流的求解过程如下:
信息网络中节点以及节点之间数据的传递过程可以采用数据流模型来进行描述,即将信息网络中传递的数据看作是类似电流的连续数据流,数据传输过程则表示为数据流在信息网络节点之间沿着线路流动。
信息网络中的节点按照数据流的传递过程可以分为端节点、联络节点和控制节点。端节点为数据输入的节点;联络节点为传递数据的节点,不产生数据;控制中心节点负责处理数据。节点之间的连接根据信息网络的拓扑结构决定。
相应地,在数据流模型中:
联络节点和端节点正常情况下流入的数据流等于流出的数据流,出现阻塞时,流入的数据流大于流出的数据流,任何情况下流入的数据流都不小于流出的数据流;
控制中心节点(数据汇集和处理节点)汇集数据流后进行处理;
根据信息网络中数据传输的特点,数据流模型不区分数据类别,只考虑数据上传过程,不考虑指令下发过程。
在此基础上,利用有限状态机理论(Finite-state machine,FSM)建立信息网络数据流模型。有限状态机理论认为建模对象可由有限状态表示,每个状态包括状态变量、描述转移过程的进入条件和描述状态行为的方程。建模对象的动态过程用状态之间的切换表示。
节点模型每个状态包含三个状态变量:输入数据流I、输出数据流O以及缓冲区S。
输入数据流I是注入节点的数据流,I∈R+,单位byte/s;
输出数据流O是流出节点的数据流,O∈R+,O≤Omax,Omax为最大输出数据量,单位byte/s;
缓冲区S在正常运行时为0,阻塞状态下存储暂时来不及输出的数据,S∈R+,单位为byte。
节点模型在运行过程中包含两种状态:正常状态和阻塞状态。
仿真开始时,状态机首先初始化为正常状态,对于第i个节点:
Ii=0
Oi=0
Si=0
i=1,2,…,nNode
其中,nNode为信息网络的节点总数。
正常状态下输入数据流等于输出数据流,节点缓存中不存储数据。
Oi=Ii
Si=0
阻塞状态下输入数据流大于输出数据流,节点缓存中数据增长。
Oi=Oimax
Si=∫(Ii-Oi)dt
其中,t为阻塞时间。
完整的状态机模型还包括各个状态之间的转移规则。节点在大多数情况下运行于正常状态,流量过多时运行在阻塞状态。二者之间的转移规则为:
正常状态到阻塞状态时:
阻塞状态到正常状态时:
Si=0
由此可见,对于一个确定的信息网络数据流模型,只要给定各个端节点的输入信息流,就可以确定其余各个节点的输入信息流、输出信息流以及缓存数据。
基于上述任一实施例,步骤120包括:
基于信息网络中任一节点的离散时间序列,以及预设离散阈值,确定任一节点对应的等变化量离散状态序列。
具体地,信息网络中任一节点的离散时间序列为对表征电力系统运行状态的连续曲线进行等时间步长的离散化得到的序列,相邻两个离散点之间的时间间隔相等。
任一节点对应的等变化量离散状态序列为对表征电力系统运行状态的连续曲线进行等变化量的离散化得到的序列,相邻两个离散点之间的事件数变化量相等。
对于研究信息网络和电气网络的相互影响机理,需要研究电气网络事件发生的时刻之前或之后,信息网络中对应发生的离散事件。如果以等时间步长的序列进行对比分析,对比的数据量比较大,增加了分析算法的计算复杂度。
预设离散阈值为预先设置的事件数变化量。可以通过设置预设离散阈值,对任一节点的离散时间序列进行压缩处理,确定任一节点对应的等变化量离散状态序列。
基于上述任一实施例,基于信息网络中任一节点的离散时间序列,以及预设离散阈值,确定任一节点对应的等变化量离散状态序列,具体包括:
对于信息网络中任一节点,若当前时刻对应的离散时间序列值与前一时刻对应的等变化量离散状态序列值之差大于预设离散阈值,则将当前时刻对应的离散时间序列值作为当前时刻对应的等变化量离散状态序列值,否则将前一时刻对应的等变化量离散状态序列值作为当前时刻对应的等变化量离散状态序列值。
具体地,假设信息网络中任一节点的离散时间序列为x={xi|i=1,2,…,nx},nx是序列x的长度。Q为预设离散阈值。预设离散阈值可以根据实际情况设置,本发明实施例对此不做具体限定。
假设信息网络中任一节点的等变化量离散状态序列q={qi|i=1,2,…,nq},nq是序列q的长度,nq=nx。
其中,离散时间序列x和等变化量离散状态序列q满足下列关系:
q1=x1
即对于信息网络中任一节点,若当前时刻对应的离散时间序列值xi与前一时刻对应的等变化量离散状态序列值qi-1之差大于预设离散阈值Q,则将当前时刻对应的离散时间序列值xi作为当前时刻对应的等变化量离散状态序列值qi,否则将前一时刻对应的等变化量离散状态序列值qi-1作为当前时刻对应的等变化量离散状态序列值qi。
按照预设离散阈值,将信息网络中任一节点的离散时间序列转化成任一节点对应的等变化量离散状态序列。
基于上述任一实施例,步骤130包括:
基于任一节点对应的等变化量离散状态序列,确定任一节点对应的若干个离散事件以及每个离散事件发生的时刻;
基于每一节点对应的每个离散事件以及每个离散事件发生的时刻,确定信息网络中各个节点对应的离散事件链。
具体地,根据任一节点对应的等变化量离散状态序列,可以确定任一节点对应的若干个离散事件以及每个离散事件发生的时刻。
根据每一节点对应的每个离散事件以及每个离散事件发生的时刻,可以确定信息网络中各个节点对应的离散事件链。
基于上述任一实施例,基于任一节点对应的等变化量离散状态序列,确定任一节点对应的若干个离散事件以及每个离散事件发生的时刻,具体包括:
在任一节点对应的等变化量离散状态序列中,若存在当前时刻对应的离散状态序列值不等于后一时刻对应的离散状态序列值,则确定当前时刻任一节点存在一个离散事件。
具体地,任一节点对应的等变化量离散状态序列中的离散状态序列值代表了表征电力系统运行状态的事件数变化量。若当前时刻对应的离散状态序列值不等于后一时刻对应的离散状态序列值,则可以确定当前时刻电力系统运行状态发生了改变,存在一个离散事件。
相应地,基于上述离散事件的定义,根据每一节点对应的每个离散事件以及每个离散事件发生的时刻,可以确定信息网络中各个节点对应的离散事件链。
信息网络中离散事件链的确定过程可以用离散事件提取算法表示为:
步骤3,更新离散状态序列。根据
步骤5,如果i>nt,k=k+1,返回步骤1;否则i=i+1,返回步骤2。
由上述离散事件链的求解过程可知,由离散时间序列得出等变化量离散状态序列,可以看作是对信息网络中节点输出的离散时间序列的进一步压缩,而预设离散阈值则表征了压缩的比率。在获得状态变化离散序列的基础上进行降维处理,得到了离散事件链。
本发明实施例提供的离散事件分析方法,实现了对信息网络中的离散时间序列进行压缩和降维,减少了数据量占用的存储空间,减少了分析算法的计算复杂度。
基于上述任一实施例,步骤130之后包括:
对信息网络中各个节点对应的离散事件链进行聚类分析,确定信息网络对应的聚类结果;
基于信息网络对应的聚类结果,确定信息网络对应的电气网络的故障特征。
具体地,对信息网络中各个节点对应的离散事件链进行聚类分析,可以确定信息网络对应的聚类结果。聚类分析算法可以采用k均值聚类算法(k-means clusteringalgorithm),本发明实施例对于聚类分析的算法不作具体限定。
将聚类分析结果与先验知识进行对比分析,可以确定电气网络中发生的故障特征,依据故障特征,对电气网络中的事件进行分析。
基于上述任一实施例,图5为本发明实施例提供的离散事件分析装置的结构示意图,如图5所示,该装置包括:
时间序列确定单元510,用于确定信息网络中各个节点输出的离散时间序列;各个节点输出的离散时间序列基于信息网络对应的电气网络事件链确定;
状态序列确定单元520,用于基于信息网络中任一节点的离散时间序列,确定任一节点对应的等变化量离散状态序列;
事件链确定单元530,用于基于每一节点对应的等变化量离散状态序列,确定信息网络中各个节点对应的离散事件链。
具体地,时间序列确定单元510用于确定信息网络中各个节点输出的离散时间序列,状态序列确定单元520用于根据时间序列确定单元510确定的信息网络中任一节点的离散时间序列,确定任一节点对应的等变化量离散状态序列,实现对数据的压缩。事件链确定单元530用于根据状态序列确定单元520确定的等变化量离散状态序列,确定信息网络中各个节点对应的离散事件链。
本发明实施例提供的离散事件分析装置,通过根据电气网络事件链确定信息网络中各个节点输出的离散时间序列,将得到的离散时间序列转换为等变化量离散状态序列,进而提取出信息网络的离散事件链,实现了对信息网络中的离散时间序列进行压缩和降维,在表征电气网络运行状态的连续数据流中提取了离散事件链,所提取的离散事件链能够准确反映信息物理电力网络的快速动态特性,有利于研究信息网络和电气网络的相互影响机理和进行电气网络的故障分析。
基于上述任一实施例,时间序列确定单元510包括:
事件数改变量确定子单元,用于基于信息网络对应的电气网络事件链,确定若干个预设时间段内每个元件的事件数改变量;
输入数据流确定子单元,用于基于若干个预设时间段内任一元件的事件数改变量,确定信息网络中安装于任一元件处的端节点的输入数据流;
离散时间序列确定子单元,用于基于信息网络,以及信息网络中每个端节点的输入数据流,得到信息网络中各个节点输出的离散时间序列。
基于上述任一实施例,状态序列确定单元520用于:
基于信息网络中任一节点的离散时间序列,以及预设离散阈值,确定任一节点对应的等变化量离散状态序列。
基于上述任一实施例,状态序列确定单元520具体用于:
对于信息网络中任一节点,若当前时刻对应的离散时间序列值与前一时刻对应的等变化量离散状态序列值之差大于预设离散阈值,则将当前时刻对应的离散时间序列值作为当前时刻对应的等变化量离散状态序列值,否则将前一时刻对应的等变化量离散状态序列值作为当前时刻对应的等变化量离散状态序列值。
基于上述任一实施例,事件链确定单元530包括:
事件确定子单元,用于基于任一节点对应的等变化量离散状态序列,确定任一节点对应的若干个离散事件以及每个离散事件发生的时刻;
事件链确定子单元,用于基于每一节点对应的每个离散事件以及每个离散事件发生的时刻,确定信息网络中各个节点对应的离散事件链。
基于上述任一实施例,事件确定子单元具体用于:
在任一节点对应的等变化量离散状态序列中,若存在当前时刻对应的离散状态序列值不等于后一时刻对应的离散状态序列值,则确定当前时刻任一节点存在一个离散事件。
基于上述任一实施例,该装置还包括:
聚类单元,用于对信息网络中各个节点对应的离散事件链进行聚类分析,确定信息网络对应的聚类结果;
分析单元,用于基于信息网络对应的聚类结果,确定信息网络对应的电气网络的故障特征。
基于上述任一实施例,图6为本发明实施例提供的电子设备的结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(CommunicationsInterface)640、存储器(memory)620和通信总线630,其中,处理器610,通信接口640,存储器620通过通信总线630完成相互间的通信。处理器610可以调用存储器620中的逻辑指令,以执行如下方法:
确定信息网络中各个节点输出的离散时间序列;各个节点输出的离散时间序列基于信息网络对应的电气网络事件链确定;基于信息网络中任一节点的离散时间序列,确定任一节点对应的等变化量离散状态序列;基于每一节点对应的等变化量离散状态序列,确定信息网络中各个节点对应的离散事件链。
此外,上述的存储器620中的逻辑指令可以通过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,本发明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)执行本发明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。
本发明实施例提供的非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时上述各实施例提供的方法,例如包括:
确定信息网络中各个节点输出的离散时间序列;各个节点输出的离散时间序列基于信息网络对应的电气网络事件链确定;基于信息网络中任一节点的离散时间序列,确定任一节点对应的等变化量离散状态序列;基于每一节点对应的等变化量离散状态序列,确定信息网络中各个节点对应的离散事件链。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种离散事件分析方法,其特征在于,包括:
确定信息网络中各个节点输出的离散时间序列;所述各个节点输出的离散时间序列基于所述信息网络对应的电气网络事件链确定;
基于所述信息网络中任一节点的离散时间序列,确定所述任一节点对应的等变化量离散状态序列;
基于每一节点对应的等变化量离散状态序列,确定所述信息网络中各个节点对应的离散事件链。
2.根据权利要求1所述的离散事件分析方法,其特征在于,所述各个节点输出的离散时间序列基于所述信息网络对应的电气网络事件链确定,包括:
基于所述信息网络对应的电气网络事件链,确定若干个预设时间段内每个元件的事件数改变量;
基于所述若干个预设时间段内任一元件的事件数改变量,确定所述信息网络中安装于所述任一元件处的端节点的输入数据流;
基于所述信息网络,以及所述信息网络中每个端节点的输入数据流,得到所述信息网络中各个节点输出的离散时间序列。
3.根据权利要求1所述的离散事件分析方法,其特征在于,所述基于所述信息网络中任一节点的离散时间序列,确定所述任一节点对应的等变化量离散状态序列,包括:
基于所述信息网络中任一节点的离散时间序列,以及预设离散阈值,确定所述任一节点对应的等变化量离散状态序列。
4.根据权利要求3所述的离散事件分析方法,其特征在于,所述基于所述信息网络中任一节点的离散时间序列,以及预设离散阈值,确定所述任一节点对应的等变化量离散状态序列,具体包括:
对于所述信息网络中任一节点,若当前时刻对应的离散时间序列值与前一时刻对应的等变化量离散状态序列值之差大于所述预设离散阈值,则将所述当前时刻对应的离散时间序列值作为当前时刻对应的等变化量离散状态序列值,否则将前一时刻对应的等变化量离散状态序列值作为当前时刻对应的等变化量离散状态序列值。
5.根据权利要求1所述的离散事件分析方法,其特征在于,所述基于每一节点对应的等变化量离散状态序列,确定所述信息网络中各个节点对应的离散事件链,包括:
基于任一节点对应的等变化量离散状态序列,确定任一节点对应的若干个离散事件以及每个离散事件发生的时刻;
基于所述每一节点对应的每个离散事件以及每个离散事件发生的时刻,确定所述信息网络中各个节点对应的离散事件链。
6.根据权利要求5所述的离散事件分析方法,其特征在于,所述基于任一节点对应的等变化量离散状态序列,确定任一节点对应的若干个离散事件以及每个离散事件发生的时刻,具体包括:
在任一节点对应的等变化量离散状态序列中,若存在当前时刻对应的离散状态序列值不等于后一时刻对应的离散状态序列值,则确定当前时刻所述任一节点存在一个离散事件。
7.根据权利要求1至6任一项所述的离散事件分析方法,其特征在于,所述基于每一节点对应的等变化量离散状态序列,确定所述信息网络中各个节点对应的离散事件链,之后包括:
对所述信息网络中各个节点对应的离散事件链进行聚类分析,确定所述信息网络对应的聚类结果;
基于所述信息网络对应的聚类结果,确定所述信息网络对应的电气网络的故障特征。
8.一种离散事件分析装置,其特征在于,包括:
时间序列确定单元,用于确定信息网络中各个节点输出的离散时间序列;所述各个节点输出的离散时间序列基于所述信息网络对应的电气网络事件链确定;
状态序列确定单元,用于基于所述信息网络中任一节点的离散时间序列,确定所述任一节点对应的等变化量离散状态序列;
事件链确定单元,用于基于每一节点对应的等变化量离散状态序列,确定所述信息网络中各个节点对应的离散事件链。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的离散事件分析方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的离散事件分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537172.8A CN111898631A (zh) | 2020-06-12 | 2020-06-12 | 离散事件分析方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537172.8A CN111898631A (zh) | 2020-06-12 | 2020-06-12 | 离散事件分析方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898631A true CN111898631A (zh) | 2020-11-06 |
Family
ID=73206324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010537172.8A Pending CN111898631A (zh) | 2020-06-12 | 2020-06-12 | 离散事件分析方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898631A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765766A (zh) * | 2020-12-17 | 2021-05-07 | 清华大学 | 一种动态交互的细粒度离散事件系统时序推进方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763788A (zh) * | 2018-06-01 | 2018-11-06 | 中国电力科学研究院有限公司 | 一种信息物理系统的仿真方法和装置 |
-
2020
- 2020-06-12 CN CN202010537172.8A patent/CN111898631A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763788A (zh) * | 2018-06-01 | 2018-11-06 | 中国电力科学研究院有限公司 | 一种信息物理系统的仿真方法和装置 |
Non-Patent Citations (2)
Title |
---|
YING CHEN等: "Discrete event chain description of powersystem transient dynamic simulations for efficient cluster analysis", 《IET GENERATION》, 6 March 2019 (2019-03-06), pages 960 - 967 * |
陈颖等: "基于耦合动态离散事件链相关性的信息网络异常检测初探", 《电力系统自动化》, 10 September 2016 (2016-09-10), pages 38 - 43 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765766A (zh) * | 2020-12-17 | 2021-05-07 | 清华大学 | 一种动态交互的细粒度离散事件系统时序推进方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110351118B (zh) | 根因告警决策网络构建方法、装置和存储介质 | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
KR102291869B1 (ko) | 비정상 트래픽 패턴의 탐지 방법 및 장치 | |
WO2020008760A1 (ja) | 異常検知システム | |
CN110502751A (zh) | 大电网运行态势感知方法、终端设备和存储介质 | |
CN112862127A (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
CN111740865B (zh) | 一种流量波动趋势预测方法、装置及电子设备 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN110224852A (zh) | 基于htm算法的网络安全监测方法及装置 | |
CN113657622A (zh) | 电力设备多维状态数据融合方法、装置、终端及存储介质 | |
CN111898631A (zh) | 离散事件分析方法、装置、电子设备和存储介质 | |
CN109587145B (zh) | 一种电力网络中的虚假数据入侵检测方法、装置及设备 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN109543894B (zh) | 一种核电站松脱部件事前预测系统及预测方法 | |
CN113325708B (zh) | 基于异构多智能体的多无人机系统的故障估计方法 | |
CN113377595B (zh) | 故障诊断方法、装置、电子设备和存储介质 | |
CN114818907A (zh) | 输电线路的状态监测方法、装置、设备及存储介质 | |
CN113612624B (zh) | 一种节点之间心跳处理方法及装置 | |
JP6627258B2 (ja) | システムモデル生成支援装置、システムモデル生成支援方法、及び、プログラム | |
CN114091238A (zh) | 设备寿命预测方法、装置、电子设备及存储介质 | |
CN114048989A (zh) | 一种基于深度强化学习的电力系统顺序恢复方法及装置 | |
Georgiadis et al. | Nonparametric estimation of interval reliability for discrete-time semi-Markov systems | |
CN110502724B (zh) | 基于自组织神经网络的设备状态预测方法和终端设备 | |
CN110232482B (zh) | 基于神经网络的设备管理方法及装置 | |
CN112966213B (zh) | 一种机械设备的数据预测方法、装置、介质及电子设备 |
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 |