CN112070180B - 基于信息物理双侧数据的电网设备状态判断方法及装置 - Google Patents
基于信息物理双侧数据的电网设备状态判断方法及装置 Download PDFInfo
- Publication number
- CN112070180B CN112070180B CN202011063791.4A CN202011063791A CN112070180B CN 112070180 B CN112070180 B CN 112070180B CN 202011063791 A CN202011063791 A CN 202011063791A CN 112070180 B CN112070180 B CN 112070180B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- groups
- preprocessing
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002146 bilateral effect Effects 0.000 title claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 28
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1416—Event detection, e.g. attack signature detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例涉及一种基于信息物理双侧数据的电网设备状态判断方法及装置,通过获取设备通讯含有物理侧和信息侧的历史数据,通过对历史数据的处理有采用运用动态边界K‑means算法构建设备状态判断模型,将需要测试设备通讯情况的实时数据输入到设备状态判断模型中进行判断,设备状态判断模型输出测试设备的通讯是处于正常状态还是处于异常状态,实现待检设备是否被网络攻击的检测,解决了现有对电力系统的网络攻击检测方式存在局限性,存在漏检网络攻击设备,电力系统的安全得不到保证的技术问题。
Description
技术领域
本发明涉及电力系统网络安全技术领域,尤其涉及一种基于信息物理双侧数据的电网设备状态判断方法及装置。
背景技术
随着通信技术的快速发展,电力系统逐渐成为一个信息物理系统(CPS)。在电力系统中,信息技术使电网侧控制日趋智能化的同时也带来了新的网络攻击风险。
目前电力系统对网络攻击的检测仅限于信息侧,同时该检测方式局限于基于既定规则的异常风险排除,对于攻击设备、伪造设备的攻击类型具有较大的漏检风险。
发明内容
本发明实施例提供了一种基于信息物理双侧数据的电网设备状态判断方法及装置,用于解决现有对电力系统的网络攻击检测方式存在局限性,存在漏检网络攻击设备,电力系统的安全得不到保证的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种基于信息物理双侧数据的电网设备状态判断方法,应用于电力系统上,包括以下步骤:
S1.从电力系统的主站服务器中获取M组设备通讯的历史数据;
S2.对M组的所述历史数据进行清理、数据均一化、按照时间戳排序预处理,得到预处理后M组的预处理数据;
S3.在M组所述预处理数据中选取N组所述预处理数据作为训练样本,采用运用动态边界K-means算法对所述训练样本进行聚类学习,得到验证模型;将剩余的M-N组所述预处理数据作为验证样本对所述验证模型进行优化,得到设备状态判断模型;
S4.获取设备运行时的实时数据,所述实时数据经过步骤S2处理后输入所述设备状态判断模型中,所述设备状态判断模型判断该设备通讯是处于正常状态还是处于异常状态;
其中,所述历史数据包括信息侧数据和物理侧数据。
优选地,对所述预处理数据进行聚类学习之前,该基于信息物理双侧数据的电网设备状态判断方法还包括:根据所述预处理数据中的最大负荷和最小负荷作为界限对M组的所述预处理数据按照负荷轻重平均分为K类。
优选地,在步骤S2中,对M组所述历史数据进行预处理的步骤具体包括:
S21.对所述历史数据中不完整数据进行清理,得到清理后的清理数据;
S22.对所述清理数据进行归一化处理后再按照数据本身的时间戳从前到后排序,得到预处理数据。
优选地,归一化处理具体为:
式中:X为待归一化处理数据的数值,Xmin为M组所述历史数据中的数值最小值,Xmax为M组所述历史数据中的数值最大值,Xnorm为归一化处理后的数据。
优选地,得到所述设备状态判断模型的步骤具体包括:
S31.根据K类的所述预处理数据,在K-means算法中构建K个簇;
S32.在所述训练样本每次均匀抽样ψ条预处理数据通过K-means算法的K个簇进行训练,训练过程中摒弃错误数据得到所述验证模型;
S33.将所述摒弃错误数据作为学习样本再次对所述验证模型采用K-means算法进行优化训练,得到所述设备状态判断模型。
优选地,所述信息侧数据包括PMU数据流量、PMU信号幅值、RTU数据流量和RTU信号幅值,所述物理侧数据包括电力网络节点的电压和电力线路的潮流数据。
本发明还提供一种基于信息物理双侧数据的电网设备状态判断装置,应用于电力系统上,包括数据获取模块、预处理模块、模型建立模块和判断模块;
所述数据获取模块,用于从电力系统的主站服务器中获取M组设备通讯的历史数据;
所述预处理模块,用于对M组所述历史数据进行清理、数据均一化、按照时间戳排序预处理,得到预处理后M组的预处理数据;
所述模型建立模块,用于在M组的所述预处理数据中选取N组所述预处理数据作为训练样本,采用运用动态边界K-means算法对所述训练样本进行聚类学习,得到验证模型;将剩余的M-N组所述预处理数据作为验证样本对所述验证模型进行优化,得到设备状态判断模型;
所述判断模块,用于获取设备运行时的实时数据,所述实时数据经过所述预处理模块处理后输入所述设备状态判断模型中,所述设备状态判断模型判断该设备通讯是处于正常状态还是处于异常状态;
其中,所述历史数据包括信息侧数据和物理侧数据。
优选地,该基于信息物理双侧数据的电网设备状态判断装置还包括分类模块,所述分类模块用于根据所述预处理数据中的最大负荷和最小负荷作为界限对M组的所述预处理数据按照负荷轻重平均分为K类。
本发明还提供一种计算机可读存储介质,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行上述所述的基于信息物理双侧数据的电网设备状态判断方法。
本发明还提供一种终端设备,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行上述所述的基于信息物理双侧数据的电网设备状态判断方法。
从以上技术方案可以看出,本发明实施例具有以下优点:该基于信息物理双侧数据的电网设备状态判断方法及装置通过获取设备通讯含有物理侧和信息侧的历史数据,通过对历史数据的处理有采用运用动态边界K-means算法构建设备状态判断模型,将需要测试设备通讯情况的实时数据输入到设备状态判断模型中进行判断,设备状态判断模型输出测试设备的通讯是处于正常状态还是处于异常状态,实现待检设备是否被网络攻击的检测,解决了现有对电力系统的网络攻击检测方式存在局限性,存在漏检网络攻击设备,电力系统的安全得不到保证的技术问题。
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它的附图。
图1为本发明实施例所述的基于信息物理双侧数据的电网设备状态判断方法的步骤流程图。
图2为本发明实施例所述的基于信息物理双侧数据的电网设备状态判断方法预处理的步骤流程图。
图3为本发明实施例所述的基于信息物理双侧数据的电网设备状态判断方法建模的步骤流程图。
图4为本发明实施例所述基于信息物理双侧数据的电网设备状态判断装置的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本申请实施例提供了一种基于信息物理双侧数据的电网设备状态判断方法及装置,对电力系统中主站服务器存储的信息物理双侧历史数据的缺失数据删除以及进行数据排序后进行分类学习,得到设备在不同物理状态下的正常通讯特征,即是预处理数据,随后在设备状态判断模型中将实时双侧数据与相同物理状态下的通讯特征对比,判断设备的通讯状态是否正常。该方法及装置能够帮助电网在稳态运行时,有效辨识故障或被恶意侵入的通讯设备,保障电力系统安全稳定运行,用于解决了现有对电力系统的网络攻击检测方式存在局限性,存在漏检网络攻击设备,电力系统的安全得不到保证的技术问题。
实施例一:
图1为本发明实施例所述的基于信息物理双侧数据的电网设备状态判断方法的步骤流程图。
如图1所示,本发明实施例提供了一种基于信息物理双侧数据的电网设备状态判断方法,应用于电力系统上,包括以下步骤:
S1.从电力系统的主站服务器中获取M组设备通讯的历史数据;
S2.对M组的历史数据进行清理、数据均一化、按照时间戳排序预处理,得到预处理后M组的预处理数据;
S3.在M组预处理数据中选取N组预处理数据作为训练样本,采用运用动态边界K-means算法对训练样本进行聚类学习,得到验证模型;将剩余的M-N组预处理数据作为验证样本对验证模型进行优化,得到设备状态判断模型;
S4.获取设备运行时的实时数据,实时数据经过步骤S2处理后输入设备状态判断模型中,设备状态判断模型判断该设备通讯是处于正常状态还是处于异常状态;
其中,历史数据包括信息侧数据和物理侧数据。
在本发明实施例的步骤S1中,主要是从电力系统的主站服务器中获取M组设备通讯的历史数据。具体地,从电力系统的主站服务器中提取历史数据,以一定的时间间隔△t采集稳态下M组的设备信息侧和物理侧双侧的数据,并以一个时间断面对应一组数据。
需要说明的是,信息侧数据包括PMU数据流量、PMU信号幅值、RTU数据流量和RTU信号幅值,物理侧数据包括电力网络节点的电压和电力线路的潮流数据。RTU指的是远程终端,是一种针对通信距离较长和工业现场环境恶劣而设计的具有模块化结构的、特殊的计算机测控单元。PMU指的是电源管理单元,是一种控制数字平台电源功能的微控制器,具有许多与普通计算机相似的组件,包括固件和软件、储器、CPU、输入/输出功能,测量时间间隔的定时器,以及用于测量主电池或电源的电压的模数转换器。
在本发明实施例的步骤S2中,主要是获取的历史数据进行删除不完整的数据、作归一化和排序处理,提高该基于信息物理双侧数据的电网设备状态判断方法的效率以及判断结果的准确性。
在本发明实施例的步骤S3中,主要是对处理后的M组数据通过运用动态边界K-means算法构建设备状态判断模型。
需要说明的是,在采用运用动态边界K-means算法构建模型过程中,通过聚类学习获得较优的聚类边界,提高设备状态判断模型判断结果的准确性。
在本发明实施例的步骤S3中,主要是将待测设备的通讯实时数据输入到设备状态判断模型进行判断,得到该设备的通讯是正常工作还是受到网络攻击(即是异常状态)。
本发明提供的一种基于信息物理双侧数据的电网设备状态判断方法通过获取设备通讯含有物理侧和信息侧的历史数据,通过对历史数据的处理有采用运用动态边界K-means算法构建设备状态判断模型,将需要测试设备通讯情况的实时数据输入到设备状态判断模型中进行判断,设备状态判断模型输出测试设备的通讯是处于正常状态还是处于异常状态,实现待检设备是否被网络攻击的检测,解决了现有对电力系统的网络攻击检测方式存在局限性,存在漏检网络攻击设备,电力系统的安全得不到保证的技术问题。
需要说明的是,该基于信息物理双侧数据的电网设备状态判断方法由于电力CPS信息物理的深度耦合,各类信息设备的行为、状态和物理侧的工况通常存在某种关联,因此基于物理侧和信息侧双侧信息可以更有效的挖掘电力CPS事件特征,有助于异常行为的判断。根据得到的设备状态判断模型在线判断仅需要根据获得的实际数据进行比对即可,物理意义清晰,计算速度高,可用于电力系统的在线设备状态判断,提高辨识结果的准确率和可靠性。
在本发明的一个实施例中,对预处理数据进行聚类学习之前,该基于信息物理双侧数据的电网设备状态判断方法还包括:根据预处理数据中的最大负荷和最小负荷作为界限对M组的预处理数据按照负荷轻重平均分为K类。
需要说明的是,对预处理数据按照负载轻重平均分为K类主要是便于在构建模型过程中提供K个簇对应的数据,提高模型的识别效率。根据预处理数据中的最大负荷和最小负荷作为界限对M组的预处理数据按照负荷轻重平均分为K类,即是对排序后的预处理数据按照负荷从大到小或从小到大平均分为K组数据,一组数据对应一个类别。
图2为本发明实施例所述的基于信息物理双侧数据的电网设备状态判断方法预处理的步骤流程图。
如图2所示,在本发明的一个实施例中,在步骤S2中,对M组历史数据进行预处理的步骤具体包括:
S21.对历史数据中不完整数据进行清理,得到清理后的清理数据;
S22.对清理数据进行归一化处理后再按照数据本身的时间戳从前到后排序,得到预处理数据。
在本实施例中,归一化处理具体为:
式中:X为待归一化处理数据的数值,Xmin为M组所述历史数据中的数值最小值,Xmax为M组所述历史数据中的数值最大值,Xnorm为归一化处理后的数据。
需要说明的是,获取的历史数据存在数据不完整的样本,这些数据样本需要进行清理后进行建模,使得建的模型得到的结果准确性越高,对清理后得到清理数据进行按维数据均一化处理,得到归一化数据,对归一化数据按照数据样本自带的时间戳从前到后排序,得到预处理数据。
图3为本发明实施例所述的基于信息物理双侧数据的电网设备状态判断方法建模的步骤流程图。
如图3所示,在本发明的一个实施例中,得到设备状态判断模型的步骤具体包括:
S31.根据K类的预处理数据,在K-means算法中构建K个簇;
S32.在训练样本每次均匀抽样ψ条预处理数据通过K-means算法的K个簇进行训练,训练过程中摒弃错误数据得到验证模型;
S33.将摒弃错误数据作为学习样本再次对验证模型采用K-means算法进行优化训练,得到设备状态判断模型。
在本发明实施例的步骤S31中,主要是根据K类预处理数据在K-means算法中建立K个簇。
在本发明实施例的步骤S32中,每次抽取ψ条预处理数据分别到K个簇中进行学习训练,得到验证模型,训练过程中摒弃错误数据。
在本发明实施例的步骤S33中,将摒弃的错误数据作为学习样本对验证模型进行聚类边界学习优化训练,得到设备状态判断模型。该设备状态判断模型中的聚类边界主要作为设备状态辨识依据。
需要说明的是,在构建模型训练过程中,错误数据指的是将某类预处理数据判断为其他类的样本数据,例如将i类的预处理数据分类到j类的预处理数据,则在步骤S32中判断i类的预处理数据为错误数据,需要在步骤S33中将i类和j类的边界向正确分类方向靠近。构建的设备状态判断模型通过错误数据反馈缩小最优边界参数的搜索空间,实现了模型的有向优化。具体公式如下:
if f(Si)=j≠i,ξij′=ξij+u,u:j→i
式中,f代表目前得到的设备状态判断模型,也是指得到的结果为类标签;Si代表待判断的预处理数据,其标签为i类;ξij为类i和类j的原边界;ξij'为类i和类j优化后的边界,u代表变化量,优化方向为由j到i,i、j属于K。
实施例二:
图4为本发明实施例所述基于信息物理双侧数据的电网设备状态判断装置的框架图。
如图4所示,本发明实施例还提供一种基于信息物理双侧数据的电网设备状态判断装置,应用于电力系统上,包括数据获取模块10、预处理模块20、模型建立模块30和判断模块40;
数据获取模块10,用于从电力系统的主站服务器中获取M组设备通讯的历史数据;
预处理模块20,用于对M组历史数据进行清理、数据均一化、按照时间戳排序预处理,得到预处理后M组的预处理数据;
模型建立模块30,用于在M组的预处理数据中选取N组预处理数据作为训练样本,采用运用动态边界K-means算法对训练样本进行聚类学习,得到验证模型;将剩余的M-N组预处理数据作为验证样本对验证模型进行优化,得到设备状态判断模型;
判断模块40,用于获取设备运行时的实时数据,实时数据经过预处理模块处理后输入设备状态判断模型中,设备状态判断模型判断该设备通讯是处于正常状态还是处于异常状态;
其中,历史数据包括信息侧数据和物理侧数据。
在本发明实施例中,基于信息物理双侧数据的电网设备状态判断装置还包括分类模块50,分类模块50用于根据预处理数据中的最大负荷和最小负荷作为界限对M组的预处理数据按照负荷轻重平均分为K类。
需要说明的是,实施例二装置中的模块对应于实施例一方法中的步骤,实施例一方法中的步骤已在实施例一中详细阐述了,在此实施例二中不再对装置中的模块内容进行详细阐述。
实施例三:
本发明实施例提供了一种计算机可读存储介质,计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行上述的基于信息物理双侧数据的电网设备状态判断方法。
实施例四:
本发明实施例提供了一种终端设备,包括处理器以及存储器;
存储器,用于存储程序代码,并将程序代码传输给处理器;
处理器,用于根据程序代码中的指令执行上述的基于信息物理双侧数据的电网设备状态判断方法。
需要说明的是,处理器用于根据所程序代码中的指令执行上述的一种基于信息物理双侧数据的电网设备状态判断方法实施例中的步骤。或者,处理器执行计算机程序时实现上述各系统/装置实施例中各模块/单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,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,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,在本发明各个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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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全部或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-OnlyMemory)、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。
以上所述,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 (7)
1.一种基于信息物理双侧数据的电网设备状态判断方法,应用于电力系统上,其特征在于,包括以下步骤:
S1.从电力系统的主站服务器中获取M组设备通讯的历史数据;
S2.对M组的所述历史数据进行清理、数据均一化、按照时间戳排序预处理,得到预处理后M组的预处理数据;
S3.在M组所述预处理数据中选取N组所述预处理数据作为训练样本,采用运用动态边界K-means算法对所述训练样本进行聚类学习,得到验证模型;将剩余的M-N组所述预处理数据作为验证样本对所述验证模型进行优化,得到设备状态判断模型;
S4.获取设备运行时的实时数据,所述实时数据经过步骤S2处理后输入所述设备状态判断模型中,所述设备状态判断模型判断该设备通讯是处于正常状态还是处于异常状态;
其中,所述历史数据包括信息侧数据和物理侧数据;
对所述预处理数据进行聚类学习之前,还包括:根据所述预处理数据中的最大负荷和最小负荷作为界限对M组的所述预处理数据按照负荷轻重平均分为K类;
得到所述设备状态判断模型的步骤具体包括:
S31.根据K类的所述预处理数据,在K-means算法中构建K个簇;
S32.在所述训练样本每次均匀抽样ψ条预处理数据通过K-means算法的K个簇进行训练,训练过程中摒弃错误数据得到所述验证模型;
S33.将所述摒弃错误数据作为学习样本再次对所述验证模型采用K-means算法进行优化训练,得到所述设备状态判断模型。
2.根据权利要求1所述的基于信息物理双侧数据的电网设备状态判断方法,其特征在于,在步骤S2中,对M组所述历史数据进行预处理的步骤具体包括:
S21.对所述历史数据中不完整数据进行清理,得到清理后的清理数据;
S22.对所述清理数据进行归一化处理后再按照数据本身的时间戳从前到后排序,得到预处理数据。
3.根据权利要求2所述的基于信息物理双侧数据的电网设备状态判断方法,其特征在于,归一化处理具体为:
式中:X为待归一化处理数据的数值,Xmin为M组所述历史数据中的数值最小值,Xmax为M组所述历史数据中的数值最大值,Xnorm为归一化处理后的数据。
4.根据权利要求1所述的基于信息物理双侧数据的电网设备状态判断方法,其特征在于,所述信息侧数据包括PMU数据流量、PMU信号幅值、RTU数据流量和RTU信号幅值,所述物理侧数据包括电力网络节点的电压和电力线路的潮流数据。
5.一种基于信息物理双侧数据的电网设备状态判断装置,应用于电力系统上,其特征在于,包括数据获取模块、预处理模块、模型建立模块、判断模块和分类模块;
所述数据获取模块,用于从电力系统的主站服务器中获取M组设备通讯的历史数据;
所述预处理模块,用于对M组所述历史数据进行清理、数据均一化、按照时间戳排序预处理,得到预处理后M组的预处理数据;
所述模型建立模块,用于在M组的所述预处理数据中选取N组所述预处理数据作为训练样本,采用运用动态边界K-means算法对所述训练样本进行聚类学习,得到验证模型;将剩余的M-N组所述预处理数据作为验证样本对所述验证模型进行优化,得到设备状态判断模型;
所述判断模块,用于获取设备运行时的实时数据,所述实时数据经过所述预处理模块处理后输入所述设备状态判断模型中,所述设备状态判断模型判断该设备通讯是处于正常状态还是处于异常状态;
所述分类模块用于根据所述预处理数据中的最大负荷和最小负荷作为界限对M组的所述预处理数据按照负荷轻重平均分为K类;
得到所述设备状态判断模型的步骤具体包括:
根据K类的所述预处理数据,在K-means算法中构建K个簇;
在所述训练样本每次均匀抽样ψ条预处理数据通过K-means算法的K个簇进行训练,训练过程中摒弃错误数据得到所述验证模型;
将所述摒弃错误数据作为学习样本再次对所述验证模型采用K-means算法进行优化训练,得到所述设备状态判断模型;
其中,所述历史数据包括信息侧数据和物理侧数据。
6.一种计算机可读存储介质,其特征在于,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行如权利要求1-4任意一项所述的基于信息物理双侧数据的电网设备状态判断方法。
7.一种终端设备,其特征在于,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行如权利要求1-4任意一项所述的基于信息物理双侧数据的电网设备状态判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011063791.4A CN112070180B (zh) | 2020-09-30 | 2020-09-30 | 基于信息物理双侧数据的电网设备状态判断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011063791.4A CN112070180B (zh) | 2020-09-30 | 2020-09-30 | 基于信息物理双侧数据的电网设备状态判断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070180A CN112070180A (zh) | 2020-12-11 |
CN112070180B true CN112070180B (zh) | 2024-01-19 |
Family
ID=73683662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011063791.4A Active CN112070180B (zh) | 2020-09-30 | 2020-09-30 | 基于信息物理双侧数据的电网设备状态判断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070180B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800428B (zh) * | 2021-01-15 | 2023-08-01 | 中国银联股份有限公司 | 一种终端设备的安全状态判断方法及装置 |
CN113420290B (zh) * | 2021-06-25 | 2023-04-18 | 深圳得讯信息技术有限公司 | 一种电力物联网设备的安全性检测方法及系统 |
CN113904855A (zh) * | 2021-10-13 | 2022-01-07 | 南方电网科学研究院有限责任公司 | 一种异常检测方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105376255A (zh) * | 2015-12-08 | 2016-03-02 | 国网福建省电力有限公司 | 一种基于K-means聚类的Android平台入侵检测方法 |
CN108133326A (zh) * | 2017-12-22 | 2018-06-08 | 华润电力(菏泽)有限公司 | 一种基于火电设备的状态预警方法及系统 |
CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
CN109495296A (zh) * | 2018-11-02 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 基于聚类与神经网络的智能变电站通信网络状态评价方法 |
CN109856299A (zh) * | 2018-11-26 | 2019-06-07 | 国家电网有限公司 | 一种变压器在线监测差异化阈值动态设置方法、系统 |
CN109871976A (zh) * | 2018-12-20 | 2019-06-11 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
CN109948858A (zh) * | 2019-03-25 | 2019-06-28 | 东北大学 | 基于数据驱动的工况识别方法 |
CN110032557A (zh) * | 2019-04-12 | 2019-07-19 | 国网安徽省电力有限公司阜阳供电公司 | 一种基于大数据的电网设备状态异常监测方法及系统 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
CN110601174A (zh) * | 2019-07-06 | 2019-12-20 | 天津大学 | 一种基于深度学习的负荷建模与在线修正方法 |
CN110689190A (zh) * | 2019-09-24 | 2020-01-14 | 南方电网科学研究院有限责任公司 | 一种电网负荷预测方法、装置及相关设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10831890B2 (en) * | 2017-09-19 | 2020-11-10 | Palo Alto Research Center Incorporated | Method and system for detecting attacks on cyber-physical systems using redundant devices and smart contracts |
US11513480B2 (en) * | 2018-03-27 | 2022-11-29 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
US10826932B2 (en) * | 2018-08-22 | 2020-11-03 | General Electric Company | Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system |
-
2020
- 2020-09-30 CN CN202011063791.4A patent/CN112070180B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105376255A (zh) * | 2015-12-08 | 2016-03-02 | 国网福建省电力有限公司 | 一种基于K-means聚类的Android平台入侵检测方法 |
CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
CN108133326A (zh) * | 2017-12-22 | 2018-06-08 | 华润电力(菏泽)有限公司 | 一种基于火电设备的状态预警方法及系统 |
CN109495296A (zh) * | 2018-11-02 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 基于聚类与神经网络的智能变电站通信网络状态评价方法 |
CN109856299A (zh) * | 2018-11-26 | 2019-06-07 | 国家电网有限公司 | 一种变压器在线监测差异化阈值动态设置方法、系统 |
CN109871976A (zh) * | 2018-12-20 | 2019-06-11 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
CN109948858A (zh) * | 2019-03-25 | 2019-06-28 | 东北大学 | 基于数据驱动的工况识别方法 |
CN110032557A (zh) * | 2019-04-12 | 2019-07-19 | 国网安徽省电力有限公司阜阳供电公司 | 一种基于大数据的电网设备状态异常监测方法及系统 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
CN110601174A (zh) * | 2019-07-06 | 2019-12-20 | 天津大学 | 一种基于深度学习的负荷建模与在线修正方法 |
CN110689190A (zh) * | 2019-09-24 | 2020-01-14 | 南方电网科学研究院有限责任公司 | 一种电网负荷预测方法、装置及相关设备 |
Non-Patent Citations (2)
Title |
---|
基于关联规则挖掘和聚类的电网设备数据异常检测研究;王文烁等;第三届智能电网会议——智能用电;第301-305页 * |
电力信息物理系统网络攻击与防御研究综述(二)检测与保护;汤奕等;电力系统自动化;第43卷(第10期);第1-9,18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070180A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070180B (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
CN108737406B (zh) | 一种异常流量数据的检测方法及系统 | |
US9542255B2 (en) | Troubleshooting based on log similarity | |
CN113592019B (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
CN110826648A (zh) | 一种利用时序聚类算法实现故障检测的方法 | |
CN111177714A (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN111104242A (zh) | 基于深度学习的操作系统的异常日志的处理方法及装置 | |
CN111339072B (zh) | 基于用户行为的变化值分析方法、装置、电子设备及介质 | |
CN114553591A (zh) | 随机森林模型的训练方法、异常流量检测方法及装置 | |
CN117951646A (zh) | 一种基于边缘云的数据融合方法及系统 | |
CN113469247B (zh) | 网络资产异常检测方法 | |
CN113282920B (zh) | 日志异常检测方法、装置、计算机设备和存储介质 | |
CN117056842A (zh) | 构建设备异常监测模型的方法、装置、设备、介质及产品 | |
CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断系统 | |
CN111209955A (zh) | 基于深度神经网络和随机森林的飞机电源系统故障识别方法 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
Zhang et al. | Anomaly detection method based on penalty least squares algorithm and time window entropy for Cyber–Physical Systems | |
CN115600143A (zh) | 储能锂电池故障诊断方法及装置 | |
CN115048345A (zh) | 异常日志检测方法、装置、电子设备和存储介质 | |
CN112183644B (zh) | 指标稳定性的监控方法、装置、计算机设备及介质 | |
CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 | |
CN212875855U (zh) | 检测设备及基于信息物理数据的电网设备状态识别装置 | |
CN114841656B (zh) | 基于边缘计算的军用飞机故障检测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |