CN112529525B - 一种电网突发事件情景要素提取及全域融合方法与系统 - Google Patents
一种电网突发事件情景要素提取及全域融合方法与系统 Download PDFInfo
- Publication number
- CN112529525B CN112529525B CN202011438533.XA CN202011438533A CN112529525B CN 112529525 B CN112529525 B CN 112529525B CN 202011438533 A CN202011438533 A CN 202011438533A CN 112529525 B CN112529525 B CN 112529525B
- Authority
- CN
- China
- Prior art keywords
- scene
- data
- emergency
- elements
- network
- 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 44
- 238000010276 construction Methods 0.000 claims abstract description 32
- 238000005065 mining Methods 0.000 claims abstract description 32
- 230000008878 coupling Effects 0.000 claims abstract description 24
- 238000010168 coupling process Methods 0.000 claims abstract description 24
- 238000005859 coupling reaction Methods 0.000 claims abstract description 24
- 238000004140 cleaning Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 230000009471 action Effects 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007418 data mining Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000010485 coping Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的提供了一种电网突发事件情景要素提取及全域融合方法和系统,涉及电力安全技术领域。一种电网突发事件情景要素提取及全域融合方法包括:情景要素的构成与提取:开展电网突发事件情景构建;研究情景要素之间的作用机理,引入基于超网络理论对多源耦合情景要素体系间的逻辑关系进行具体挖掘,对现有情景要素进行分类;对情景数据进行数据清理与挖掘;经过超网络逻辑关系清理和超网络逻辑关系挖掘后,由构建复杂突发事件情景下的情景序列,形成多源情景要素全域耦合超网络动因逻辑关系库。多源情景要素全域耦合超网络动因逻辑关系库,实现应急演练情景即时构建,保障智能推演决策科学、精准、高效。
Description
技术领域
本发明涉及电力安全技术领域,具体涉及一种电网突发事件情景要素提取及全域融合的方法。
背景技术
近年来,气候异常和地质灾害发生频繁,对我国电网安全造成了巨大威胁。电网突发事件应急管理研究已经成为一项急需解决的重要课题,但当前的研究大多数集中在电网应急管理体系构建、应急能力评估、应对措施研究、应急平台架构、专项技术应用等方面,鲜有涉及电网突发事件情景要素提取及全域融合技术的研究,电网突发事件具有复杂性、突发性、紧迫性、严重危害性和信息不完备性等特征,这决定了传统的应急管理和决策方法在电网突发事件应急救援中难以奏效。
因此,为了进一步做好电网突发事件的应对工作,针对电网突发事件演变规律不清的问题,采用情景要素提取及全域融合方法梳理事件情景要素,并从电网运行数据、海量历史数据、应急预案、处置方案、案例等数据中提炼选取情景构建的关键要素,综合运用数据挖掘方法,构建复杂突发事件情景下的情景序列,形成多源情景要素全域耦合超网络动因逻辑关系库,实现应急演练情景即时构建,保障智能推演决策科学、精准、高效。
发明内容
本发明的目的是通过以下技术方案实现的。
电网突发事件情景要素提取及全域融合方法,该方法包括:步骤1:情景要素的构成与提取:
步骤1.1,电网突发事件的基础数据收集。突发事件通常包括自然灾害类、事故灾难类、公共安全事件类和社会安全事件类。基于此分类,电网突发事件的基础数据收集范围包括电网运行数据,例如电压、电流、服务数据、负荷等,电网运行环境数据,例如气象、水文、山火、地质等,电网拓扑数据,应急资源数据,如应急物资、应急人员装备、应急人员队伍等,历史事故数据,包括历史事故案例、预案、演练、处置方案的数据;以及同类应急情景构建数据等,但由于这些数据来源以及存储形式的不同,采用数据收集的方式也各有不同。
将图片、音影多媒体资料保存在分布式架构系统中的非关系型数据库中,而将文字资料保存在分布式架构系统中的关系型数据数据库中。
步骤1.2,数据加工与集成提取。由于应急情景构建涉及多种数据来源与格式,故在进一步开展情景分析、情景挖掘前,需要对收集到的数据进行清洗转换,从逻辑层面与技术层面实现数据的融合与集成,并在此基础上,从情景构建的业务需求角度,提取关键数据。
步骤2:开展电网突发事件情景构建:
步骤2.1,电网突发事件的要素描述。情景要素构建包括逻辑上的情景要素构成,技术上的情景要素信息的存储和显示。在情景要素构成方面,从三个维度的情景结构与内容入手,将情景要素构成简化为:概要描述;地理要素、气象要素、周边环境要素描述以及相关关联情景要素描述。在存储与显示方面包括文本文字、数据库、GIS空间数据库、多媒体文件等形式。
步骤2.2,电网突发事件情景确定。通过“专家知识”、“实验检测”、“仿真模拟”、“自我修正”、“机器学习”以及“数据挖掘”等方法与工具,完成从逻辑层面进行的情景分类与定义、情景演化规则的确定以及从技术层面上的情景表达与描述的确定,并基于当前、历史的学习进行自我修正。
步骤3:研究情景要素之间的作用机理,引入基于超网络理论对多源耦合情景要素体系间的逻辑关系进行具体挖掘,对现有情景要素进行分类。
设V={v1,v2,...,vn}是一个有限集,代表情景要素。若
ei≠Φ(i=1,2,...,m)
则称二元关系H=(V,E)为一个超图。V的元素v1,v2,...,vn为超图的顶点,集合ei={vi1,vi2,...,vij}(i=1,2,...,m)称为超图的边,E={e1,e2,...,em}是超图的边集合,代表多源耦合情景逻辑关系库。
步骤4:对情景数据进行数据清理与挖掘:
步骤4.1,情景数据清理。收集、分析电网突发事件相关的情景应急规则数据,根据现有历史应急数据的来源、格式以及用途的不同,抽取部分代表性的数据并制定相应的数据质量标准规范,并根据规范对现有数据进行分类,然后基于数据清理的方法与技术对数据进行全面数据清理。
步骤4.2,情景数据挖掘。抽取相关的电网突发事件应急以及模拟演练数据,情景构建突发事件的情景列表,提前情景要素,生成情景要素列表,并结合大量的应急数据,构建突发事件情景演化过程数据集,并在此基础上挖掘所需训练集和测试集,进行预测模型构建,最终形成情景规则库和报告。
具体的,将突发事件数据集中的情景要素视为超图中的一个顶点,相关情景要素用带权重的超边相连,用Apriori算法找出超边,并用一条超边代表数据子集的一个关系。超边的权重代表此关系的强度。
优选的,可以将Apriori算法改进为基于优化兴趣度模型和基于差值兴趣度模型融合超边关联规则算法。
具体的,在情景要素超边建立挖掘的过程中,首先如果不满足最小支持度和最小置信度要求则该规则不是强关联规则;如果满足了最小支持度和最小置信度要求则要看兴趣度值Interest和兴趣度阈值mininterest的绝对值的比较结果;
若∣Interest∣<mininterest,则该规则兴趣度不够,不能形成超边,删除;若满足了最小支持度和最小置信度要求,且Interest>mininterest,则该规则是用户感兴趣的关联规则;如果满足最小支持度和最小置信度要求,且-Interest>mininterest,则该规则的反面规则有可能也是感兴趣的规则,重新计算其反面规则的支持度、置信度和兴趣度值,若都满足条件则该反面规则输出,否则删除。
若Interest(A→B)>1,则情景要素A可以促进情景要素B发生,
若Interest(A→B)=1,则情景要素A与情景要素B无关,
若Interest(A→B)<1,则情景要素A可以阻碍情景要素B发生,
若Interest(A→B)>1,则情景要素A可以促进情景要素B发生,
若Interest(A→B)=1,则情景要素A与情景要素B无关,
若Interest(A→B)<1,则情景要素A可以阻碍情景要素B发生,
进一步的,将情景要素同时根据公式1和公式2运算,若兴趣度Interest同时大于1,则情景要素A与情景要素B强关联;由强关联的情景要素形成情景规则库。
步骤5:经过超网络逻辑关系清理和超网络逻辑关系挖掘后,由构建复杂突发事件情景下的情景序列,形成多源情景要素全域耦合超网络动因逻辑关系库。
其中,在由构建复杂突发事件情景下的情景序列中,具体为:由单源突发事件中要素形成事件链,由得到的事件链中的公共元素合并形成事件网,再由事件网形成超网络。
将情景要素进行聚类,具体的为:步骤1)将挖掘后的情景要素作为类,计算类之间的相似度,公式为:
找出距离的最小值,将这两个类加以合并。
步骤2)计算两个类u,v合并后新类Z的中心点:
新类的代表点用rep表示,即:
w.rep=p+∝(w.mean-p)
步骤3)重复1)的操作,直到类之间的距离大于阈值。
具体的,由多个聚类后的单源的超网络融合形成多源情景的全域耦合超网络动因逻辑关系库。
一种电网突发事件情景要素提取及全域融合系统,其包括:
准备模块,用于情景要素的构成与提取:
构建模块,用于开展电网突发事件情景构建;
超网络生成模块,用于研究情景要素之间的作用机理,引入基于超网络理论对多源耦合情景要素体系间的逻辑关系进行具体挖掘,对现有情景要素进行分类;
挖掘模块,对情景数据进行数据清理与挖掘:
生成模块,用于将经过超网络逻辑关系清理和超网络逻辑关系挖掘后单源超网络数据构建情景序列,以形成多源情景要素全域耦合超网络动因逻辑关系库。
具体的准备模块,包括:
基础数据模块,用于收集突发事件下的基础数据,所述基础数据包括:电网运行状态数据,电网运行环境数据,电网拓扑数据,应急资源数据,应急措施历史数据;
数据提取模块,用于对收集数据进行预处理后,从情景构建的业务需求角度,提取关键数据。
存储介质,该介质存储了程序代码,用于存储上述方法。
本发明的优点在于:从电网运行数据、海量历史数据、应急预案、处置方案等数据中提炼选取情景构建的关键要素,综合运用数据挖掘方法,构建复杂突发事件情景下的情景序列,形成多源情景要素全域耦合超网络动因逻辑关系库,实现应急演练情景即时构建,保障智能推演决策科学、精准、高效。同时,采用基于兴趣度的数据挖掘方法提高了情景要素之前的关联性的准确性,以及对超图的挖掘分析,使得情景要素划分的更加精确。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
附图1为本发明实施中电网突发事件情景要素精准提取及全域融合技术的一个具体示例的流程图;
附图2为本发明实施中的电网突发事件应急情景构建方法图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
根据本发明的实施方式,电网突发事件情景要素提取及全域融合方法,该方法包括:步骤1:情景要素的构成与提取:
步骤1.1,电网突发事件的基础数据收集。突发事件通常包括自然灾害类、事故灾难类、公共安全事件类和社会安全事件类。基于此分类,电网突发事件的基础数据收集范围包括电网运行数据,例如电压、电流、服务数据、负荷等,电网运行环境数据,例如气象、水文、山火、地质等,电网拓扑数据,应急资源数据,如应急物资、应急人员装备、应急人员队伍等,历史事故数据,包括历史事故案例、预案、演练、处置方案的数据;以及同类应急情景构建数据等,但由于这些数据来源以及存储形式的不同,采用数据收集的方式也各有不同。
将图片、音影多媒体资料保存在分布式架构系统中的非关系型数据库中,而将文字资料保存在分布式架构系统中的关系型数据数据库中。
步骤1.2,数据加工与集成提取。由于应急情景构建涉及多种数据来源与格式,故在进一步开展情景分析、情景挖掘前,需要对收集到的数据进行清洗转换,从逻辑层面与技术层面实现数据的融合与集成,并在此基础上,从情景构建的业务需求角度,提取关键数据。
步骤2:开展电网突发事件情景构建:
步骤2.1,电网突发事件的要素描述。情景要素构建包括逻辑上的情景要素构成,技术上的情景要素信息的存储和显示。在情景要素构成方面,从三个维度的情景结构与内容入手,将情景要素构成简化为:概要描述;地理要素、气象要素、周边环境要素描述以及相关关联情景要素描述。在存储与显示方面包括文本文字、数据库、GIS空间数据库、多媒体文件等形式。
步骤2.2,电网突发事件情景确定。通过“专家知识”、“实验检测”、“仿真模拟”、“自我修正”、“机器学习”以及“数据挖掘”等方法与工具,完成从逻辑层面进行的情景分类与定义、情景演化规则的确定以及从技术层面上的情景表达与描述的确定,并基于当前、历史的学习进行自我修正。
步骤3:研究情景要素之间的作用机理,引入基于超网络理论对多源耦合情景要素体系间的逻辑关系进行具体挖掘,对现有情景要素进行分类。
设V={v1,v2,...,vn}是一个有限集,代表情景要素。若
ei≠Φ(i=1,2,...,m)
则称二元关系H=(V,E)为一个超图。V的元素v1,v2,...,vn为超图的顶点,集合ei={vi1,vi2,...,vij}(i=1,2,...,m)称为超图的边,E={e1,e2,...,em}是超图的边集合,代表多源耦合情景逻辑关系库。
步骤4:对分类的情景数据进行数据清理与挖掘:
步骤4.1,情景数据清理。收集、分析电网突发事件相关的情景应急规则数据,根据现有历史应急数据的来源、格式以及用途的不同,抽取部分代表性的数据并制定相应的数据质量标准规范,并根据规范对现有数据进行分类,然后基于数据清理的方法与技术对数据进行全面数据清理。
步骤4.2,情景数据挖掘。抽取相关的电网突发事件应急以及模拟演练数据,情景构建突发事件的情景列表,选择情景要素,生成情景要素列表,并结合大量的应急数据,构建突发事件情景演化过程数据集,并在此基础上挖掘所需训练集和测试集,进行预测模型构建,最终形成情景规则库和报告。
具体的,将突发事件数据集中的情景要素视为超图中的一个顶点,相关情景要素用带权重的超边相连,用Apriori算法找出超边,并用一条超边代表数据子集的一个关系。超边的权重代表此关系的强度。
优选的,可以将Apriori算法改进为基于优化兴趣度模型和基于差值兴趣度模型融合超边关联规则算法。
具体的,在情景要素超边建立挖掘的过程中,首先如果不满足最小支持度和最小置信度要求则该规则不是强关联规则;如果满足了最小支持度和最小置信度要求则要看兴趣度值Interest和兴趣度阈值mininterest的绝对值的比较结果;
若∣Interest∣<mininterest,则该规则兴趣度不够,不能形成超边,删除;若满足了最小支持度和最小置信度要求,且Interest>mininterest,则该规则是用户感兴趣的关联规则;如果满足最小支持度和最小置信度要求,且-Interest>mininterest,则该规则的反面规则有可能也是感兴趣的规则,重新计算其反面规则的支持度、置信度和兴趣度值,若都满足条件则该反面规则输出,否则删除。
若Interest(A→B)>1,则情景要素A可以促进情景要素B发生,
若Interest(A→B)=1,则情景要素A与情景要素B无关,
若Interest(A→B)<1,则情景要素A可以阻碍情景要素B发生,
若Interest(A→B)>1,则情景要素A可以促进情景要素B发生,
若Interest(A→B)=1,则情景要素A与情景要素B无关,
若Interest(A→B)<1,则情景要素A可以阻碍情景要素B发生,
进一步的,将情景要素同时根据公式1和公式2运算,若兴趣度Interest同时大于1,则情景要素A与情景要素B强关联;由强关联的情景要素形成情景规则库。
步骤5:经过超网络逻辑关系清理和超网络逻辑关系挖掘后,由构建复杂突发事件情景下的情景序列,形成多源情景要素全域耦合超网络动因逻辑关系库。
其中,在由构建复杂突发事件情景下的情景序列中,具体为:由单源突发事件中要素形成事件链,由得到的事件链中的公共元素合并形成事件网,再由事件网形成超网络。
将情景要素进行聚类,具体的为:步骤1)将挖掘后的情景要素作为类,计算类之间的相似度,公式为:
找出距离的最小值,将这两个类加以合并。
步骤2)计算两个类u,v合并后新类Z的中心点:
新类的代表点用rep表示,即:
w.rep=p+∝(w.mean-p)
步骤3)重复1)的操作,直到类之间的距离大于阈值。
具体的,由多个聚类后的单源的超网络融合形成多源情景的全域耦合超网络动因逻辑关系库。
其中,超网络的各边的权重可采用均衡解。
一种电网突发事件情景要素提取及全域融合系统,其包括:
准备模块,用于情景要素的构成与提取:
构建模块,用于开展电网突发事件情景构建;
超网络生成模块,用于研究情景要素之间的作用机理,引入基于超网络理论对多源耦合情景要素体系间的逻辑关系进行具体挖掘,对现有情景要素进行分类;
挖掘模块,对情景数据进行数据清理与挖掘:
生成模块,用于将经过超网络逻辑关系清理和超网络逻辑关系挖掘后单源超网络数据构建情景序列,以形成多源情景要素全域耦合超网络动因逻辑关系库。
具体的准备模块,包括:
基础数据模块,用于收集突发事件下的基础数据,所述基础数据包括:电网运行状态数据,电网运行环境数据,电网拓扑数据,应急资源数据,应急措施历史数据;
数据提取模块,用于对收集数据进行预处理后,从情景构建的业务需求角度,提取关键数据。
一种存储介质,该介质存储了程序代码,用于存储上述方法。
为了进一步做好电网突发事件的应对工作,针对电网突发事件演变规律不清的问题,采用情景要素提取及全域融合方法梳理事件情景要素,并从电网运行数据、海量历史数据、应急预案、处置方案、案例等数据中提炼选取情景构建的关键要素,综合运用数据挖掘方法,构建复杂突发事件情景下的情景序列,形成多源情景要素全域耦合超网络动因逻辑关系库,实现应急演练情景即时构建,保障智能推演决策科学、精准、高效。
以上所述,仅为本发明较佳的具体实施方式,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所述权利要求的保护范围为准。
Claims (10)
1.一种电网突发事件情景要素提取及全域融合方法,其特征在于,该方法包括:
步骤1:情景要素的构成与提取:
步骤2:开展电网突发事件情景构建;
步骤3:研究情景要素之间的作用机理,引入基于超网络理论对多源耦合情景要素体系间的逻辑关系进行具体挖掘,对现有情景要素进行分类;
步骤4:对情景数据进行数据清理与挖掘:
将突发事件数据集中的情景要素视为超图中的一个顶点,相关情景要素用带权重的超边相连,并用一条超边代表数据子集的一个关系;超边的权重代表此关系的强度;
在情景要素超边建立挖掘的过程中,首先如果不满足最小支持度和最小置信度要求则规则不是强关联规则;如果满足了最小支持度和最小置信度要求则要看兴趣度值Interest和兴趣度阈值mininterest的绝对值的比较结果;
若∣Interest∣<mininterest,则不能形成超边,删除;若满足了最小支持度和最小置信度要求,且Interest>mininterest,则该规则是用户感兴趣的关联规则;如果满足最小支持度和最小置信度要求,且-Interest>mininterest,则重新计算其反面规则的支持度、置信度和兴趣度值,若都满足条件则该反面规则输出,否则删除;
若Interest(A→B)>1,则情景要素A可以促进情景要素B发生,
若Interest(A→B)=1,则情景要素A与情景要素B无关,
若Interest(A→B)<1,则情景要素A可以阻碍情景要素B发生;
步骤5:经过超网络逻辑关系清理和超网络逻辑关系挖掘后,由构建复杂突发事件情景下的情景序列,形成多源情景要素全域耦合超网络动因逻辑关系库;
由单源突发事件中要素形成事件链,由得到的事件链中的公共元素合并形成事件网,再由事件网形成超网络;
情景要素进行聚类,具体的为:步骤1)将挖掘后的情景要素作为类,计算类之间的相似度,公式为:
找出距离的最小值,将这两个类加以合并;
步骤2)计算两个类u,v合并后新类Z的中心点:
新类的代表点用rep表示,即:
w.rep=p+∝(w.mean-p)
步骤3)重复1)的操作,直到类之间的距离大于阈值。
2.根据权利要求1所述的电网突发事件情景要素提取及全域融合方法,其特征在于:所述步骤1情景要素的构成与提取,包括:
步骤1.1,收集突发事件下的基础数据,所述基础数据包括:电网运行状态数据,电网运行环境数据,电网拓扑数据,应急资源数据,应急措施历史数据;
步骤1.2,对收集数据进行预处理后,从情景构建的业务需求角度,提取关键数据。
3.根据权利要求1所述的电网突发事件情景要素提取及全域融合方法,其特征在于:所述步骤2:开展电网突发事件情景构建,包括:
步骤2.1,描述电网突发事件的要素,
步骤2.2,确定电网突发事件情景。
4.根据权利要求1所述的电网突发事件情景要素提取及全域融合方法,其特征在于:所述步骤3中,对现有情景要素进行分类后,形成超网络模型。
5.根据权利要求1所述的电网突发事件情景要素提取及全域融合方法,其特征在于:所述步骤4:对情景数据进行数据清理与挖掘,包括:
步骤4.1,对情景数据进行数据清理,
步骤4.2,对情景数据进行数据挖掘。
6.根据权利要求1所述的电网突发事件情景要素提取及全域融合方法,其特征在于:所述由构建复杂突发事件情景下的情景序列,具体为:由单源突发事件中要素到不良结果形成事件链,由所述事件链中的公共元素合并生成事件网,再由所述事件网生成超网络,
所述形成多源情景要素全域耦合超网络动因逻辑关系库,具体为,由多个不同源的超网络融合形成多源情景的全域耦合超网络动因逻辑关系库。
7.一种电网突发事件情景要素提取及全域融合系统,其特征在于,该系统包括:
准备模块,用于情景要素的构成与提取:
构建模块,用于开展电网突发事件情景构建;
超网络生成模块,用于研究情景要素之间的作用机理,引入基于超网络理论对多源耦合情景要素体系间的逻辑关系进行具体挖掘,对现有情景要素进行分类;
挖掘模块,用于对情景数据进行数据清理与挖掘:
将突发事件数据集中的情景要素视为超图中的一个顶点,相关情景要素用带权重的超边相连,用Apriori算法找出超边,并用一条超边代表数据子集的一个关系;超边的权重代表此关系的强度;
在情景要素超边建立挖掘的过程中,首先如果不满足最小支持度和最小置信度要求则规则不是强关联规则;如果满足了最小支持度和最小置信度要求则要看兴趣度值Interest和兴趣度阈值mininterest的绝对值的比较结果;
若∣Interest∣<mininterest,则不能形成超边,删除;若满足了最小支持度和最小置信度要求,且Interest>mininterest,则规则是用户感兴趣的关联规则;如果满足最小支持度和最小置信度要求,且-Interest>mininterest,则重新计算其反面规则的支持度、置信度和兴趣度值,若都满足条件则该反面规则输出,否则删除;
若Interest(A→B)>1,则情景要素A可以促进情景要素B发生,
若Interest(A→B)=1,则情景要素A与情景要素B无关,
若Interest(A→B)<1,则情景要素A可以阻碍情景要素B发生;生成模块,用于将经过超网络逻辑关系清理和超网络逻辑关系挖掘后单源超网络数据构建情景序列,以形成多源情景要素全域耦合超网络动因逻辑关系库;由单源突发事件中要素形成事件链,由得到的事件链中的公共元素合并形成事件网,再由事件网形成超网络;
情景要素进行聚类,具体的为:步骤1)将挖掘后的情景要素作为类,计算类之间的相似度,公式为:
找出距离的最小值,将这两个类加以合并;
步骤2)计算两个类u,v合并后新类Z的中心点:
新类的代表点用rep表示,即:
w.rep=p+∝(w.mean-p)
步骤3)重复1)的操作,直到类之间的距离大于阈值。
8.根据权利要求7所述的电网突发事件情景要素提取及全域融合系统,其特征在于:所述准备模块,包括:
基础数据模块,用于收集突发事件下的基础数据,所述基础数据包括:电网运行状态数据,电网运行环境数据,电网拓扑数据,应急资源数据,应急措施历史数据;
数据提取模块,用于对收集数据进行预处理后,从情景构建的业务需求角度,提取关键数据。
9.一种存储介质,其特征在于,该介质存储了程序代码,用于存储权利要求1-5中任一项所述的方法。
10.一种电网突发事件情景要素提取及全域融合装置,包括处理器、存储介质,所述处理器用于执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011438533.XA CN112529525B (zh) | 2020-12-07 | 2020-12-07 | 一种电网突发事件情景要素提取及全域融合方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011438533.XA CN112529525B (zh) | 2020-12-07 | 2020-12-07 | 一种电网突发事件情景要素提取及全域融合方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529525A CN112529525A (zh) | 2021-03-19 |
CN112529525B true CN112529525B (zh) | 2023-05-02 |
Family
ID=74999407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011438533.XA Active CN112529525B (zh) | 2020-12-07 | 2020-12-07 | 一种电网突发事件情景要素提取及全域融合方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529525B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796520B (zh) * | 2022-11-29 | 2024-02-02 | 国网山东省电力公司应急管理中心 | 一种基于多源情景要素驱动的应急资源匹配分析方法和装置 |
CN116109151A (zh) * | 2023-01-04 | 2023-05-12 | 广州欣纬智慧安全科技有限公司 | 应急预案推演系统、推演方法、电子设备及存储介质 |
CN118135413B (zh) * | 2024-01-23 | 2024-09-10 | 北京建筑大学 | 一种基于逻辑规则的电网工程周边要素分类方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780116A (zh) * | 2016-12-01 | 2017-05-31 | 全球能源互联网研究院 | 电力应急演练方法、装置及其情景模型的构建方法、装置 |
CN107067134A (zh) * | 2016-12-21 | 2017-08-18 | 全球能源互联网研究院 | 一种情景序列构建方法及装置 |
CN109359829A (zh) * | 2018-09-26 | 2019-02-19 | 全球能源互联网研究院有限公司 | 基于历史大数据的电力突发事件辅助决策方法及系统 |
CN109523061A (zh) * | 2018-10-22 | 2019-03-26 | 哈尔滨工业大学 | 一种基于情景分析的突发事件应急决策方法 |
CN111798355A (zh) * | 2020-07-01 | 2020-10-20 | 北京大学 | 一种城市公共安全事件链形式化组织方法及事件链数据库 |
-
2020
- 2020-12-07 CN CN202011438533.XA patent/CN112529525B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780116A (zh) * | 2016-12-01 | 2017-05-31 | 全球能源互联网研究院 | 电力应急演练方法、装置及其情景模型的构建方法、装置 |
CN107067134A (zh) * | 2016-12-21 | 2017-08-18 | 全球能源互联网研究院 | 一种情景序列构建方法及装置 |
CN109359829A (zh) * | 2018-09-26 | 2019-02-19 | 全球能源互联网研究院有限公司 | 基于历史大数据的电力突发事件辅助决策方法及系统 |
CN109523061A (zh) * | 2018-10-22 | 2019-03-26 | 哈尔滨工业大学 | 一种基于情景分析的突发事件应急决策方法 |
CN111798355A (zh) * | 2020-07-01 | 2020-10-20 | 北京大学 | 一种城市公共安全事件链形式化组织方法及事件链数据库 |
Also Published As
Publication number | Publication date |
---|---|
CN112529525A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529525B (zh) | 一种电网突发事件情景要素提取及全域融合方法与系统 | |
Zuiev et al. | Development of complex methodology of processing heterogeneous data in intelligent decision support systems | |
Wang et al. | Machine learning-based regional scale intelligent modeling of building information for natural hazard risk management | |
Shyshatskyi et al. | Complex Methods of Processing Different Data in Intellectual Systems for Decision Support Systems | |
CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
Demisse et al. | Data mining attribute selection approach for drought modeling: A case study for Greater Horn of Africa | |
TW201426360A (zh) | 文字串流訊息分析系統和方法 | |
Weber et al. | Incidents1M: a large-scale dataset of images with natural disasters, damage, and incidents | |
JP7103496B2 (ja) | 関連スコア算出システム、方法およびプログラム | |
CN113468320B (zh) | 地震应急信息快速可视化方法及系统 | |
CN106022634A (zh) | 基于大数据分析的基坑风险管理方法与系统 | |
CN115577294B (zh) | 一种基于兴趣点空间分布和语义信息的城市区域分类方法 | |
CN115544519A (zh) | 对计量自动化系统威胁情报进行安全性关联分析的方法 | |
CN115965795A (zh) | 一种基于网络表示学习的深暗网群体发现方法 | |
Shirazi et al. | Modeling Conditions Appropriate for Wildfire in South East China–A Machine Learning Approach | |
Meskela et al. | Designing time series crime prediction model using long short-term memory recurrent neural network | |
CN112363996B (zh) | 用于建立电网知识图谱的物理模型的方法及系统和介质 | |
CN117436729A (zh) | 一种基于政务系统数据治理和数据分析方法 | |
Sun et al. | Automatic building age prediction from street view images | |
CN110928922B (zh) | 一种基于大数据挖掘的公共政策分析模型部署方法及其系统 | |
CN112035552A (zh) | 一种基于关联规则的电压暂降严重程度预测方法及装置 | |
Kim et al. | Construction of disaster knowledge graphs to enhance disaster resilience | |
Acosta et al. | Characterization of disaster related tweets according to its urgency: a pattern recognition | |
Zou | A prototype system using location-based twitter data for disaster management | |
CN113971213A (zh) | 智慧城市管理公共信息共享系统 |
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 |