CN112737109A - 一种智能电网实时安全预警系统 - Google Patents
一种智能电网实时安全预警系统 Download PDFInfo
- Publication number
- CN112737109A CN112737109A CN202011502631.5A CN202011502631A CN112737109A CN 112737109 A CN112737109 A CN 112737109A CN 202011502631 A CN202011502631 A CN 202011502631A CN 112737109 A CN112737109 A CN 112737109A
- Authority
- CN
- China
- Prior art keywords
- data
- sampling
- power grid
- historical data
- real
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000013523 data management Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 117
- 239000011159 matrix material Substances 0.000 claims description 91
- 238000009825 accumulation Methods 0.000 claims description 33
- 238000011084 recovery Methods 0.000 claims description 18
- 239000006185 dispersion Substances 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000011157 data evaluation Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000005856 abnormality Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
Images
Classifications
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02B90/20—Smart grids as enabling technology in buildings sector
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- 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
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及计算机视觉技术领域,尤其涉及一种智能电网实时安全预警系统,包括数据采集模块、数据管理模块、异常分析模块以及安全预警模块,解决了传统的电网安全运行检测多采用人工方式进行,不仅使检测工作效率低,成本高,而且可靠性低的问题。本发明利用多维电网历史数据以及电网预测数据构建了智能预警系统,能够快速有效地分析和处理大量的电网信息,不仅提高了工作效率,减少误差,而且节省了人力资源以及时间,降低了成本;同时本发明通过对电网实时的智能检测,有效降低了电网系统安全风险,确保智能电网安全可靠地运行,本发明具有很好地扩展性和适应性。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种智能电网实时安全预警系统。
背景技术
随着电网规模的逐年扩大,电力系统的安全运行事关国计民生,需从运行等各方面采取有效措施,保障系统安全稳定地运行。
目前,国内外电力供应形势比较紧张,电力系统先后发生了多次重大的停电事故,不仅造成了巨大的经济损失,也影响了人民的生活秩序,给社会带来了重大的影响。
但是,传统的电网运行风险的分析和管控工作多采用人工方式进行,这不仅存在劳动强度大、工作效率低、检测质量分散、手段单一等问题,而且检测的数据不能准确、及时地传送到管理信息系统中,供后续工作中将数据进行处理。
发明内容
本发明提供一种智能电网实时安全预警系统,解决的技术问题是,传统的电网安全运行检测多采用人工方式进行,不仅使检测工作效率低,成本高,而且可靠性低。
为解决以上技术问题,本发明提供了一种智能电网实时安全预警系统,包括数据采集模块,还包括依次连接的数据管理模块、异常分析模块以及安全预警模块;
所述数据采集模块,用于采集电网实时数据以及设备数据,同时将存储的多维电网历史数据输入神经网络,得到电网预测数据;
所述数据管理模块,用于对多维所述电网历史数据进行随机稀疏采样,选取一目标采样点,利用欧氏距离选取其若干相邻采样点,构建相邻矩阵以及目标矩阵,并根据所述相邻矩阵以及所述目标矩阵,得到参数矩阵,根据所述参数矩阵得到节点权重,根据所述节点权重,得到目标关联度,依次将所述相邻采样点更新为目标采样点,计算其所述节点权重以及所述目标关联度,根据所有所述节点权重构建邻接矩阵,根据各所述目标关联度构建度矩阵,根据所述度矩阵以及所述邻接矩阵计算得到维度关联指标;还用于基于所述电网历史数据,得到周期性指标,并利用离散模型得到离散度指标;
所述异常分析模块,用于将所述维度关联指标、所述周期性指标以及所述离散度指标输入评价模型,得到数据评价值,将所述数据评价值、所述电网实时数据以及所述电网预测数据输入异常模型,得到数据异常值;
所述安全预警模块,用于根据所述数据异常值以及所述设备数据生成容灾策略。
进一步地,所述根据所述参数矩阵得到节点权重,具体包括:
根据所述参数矩阵的秩,得到秩权重;
根据选取的所述参数矩阵中各行相同元素最多的数值,计算各行的行权重;
根据所述秩权重与所述行权重,得到节点权重。
进一步地,所述基于所述电网历史数据,得到周期性指标,具体为:
基于所述电网历史数据,选取第一采样数据以及第二采样数据;
依次对比所述第一采样数据与所述第二采样数据对应位置的所述电网历史数据,若相同,则增加预设的正累积速率,若不同,则增加预设的负累积速率,同时判断当前累积值是否符合预设的累积阈值;
根据所述第一采样数据的已对比采样点数量与总采样点数量,得到采样占比,若所述采样占比大于等于预设的占比阈值,则判断所述电网历史数据具有周期性;
利用投票机制,判断各维所述电网历史数据周期性情况,得到周期性指标。
更进一步地,基于所述电网历史数据,选取第一采样数据以及第二采样数据,具体为:
选取一定时长内所述电网历史数据的采样起始点以及采样终止点;
将所述采样起始点与所述采样终止点之间的采样间隔作为假设周期;
将所述假设周期内的所述电网历史数据作为第一采样数据,同时基于所述假设周期,向后选取第二采样数据。
更进一步地,所述采样终止点为与所述采样起始点对应的所述电网历史数据相同且最近邻的采样点。
进一步地,若所述采样占比小于预设的占比阈值,则选取下一个采样终止点,更新所述第一采样数据以及所述第二采样数据。
进一步地,所述累积阈值包括累积触发阈值以及累积上限阈值。
进一步地,所述离散模型为:
更进一步地,所述容灾策略包括设备容灾策略以及灾备中心容灾策略。
更进一步地,所述神经网络为时间卷积网络。
本发明提供的一种智能电网实时安全预警系统,数据采集模块,还包括依次连接的数据管理模块、异常分析模块以及安全预警模块,解决了传统的电网安全运行检测多采用人工方式进行,不仅使检测工作效率低,成本高,而且可靠性低的问题;本发明通过电网运行数据构建了智能化电网预警系统,能够快速实时地预测有潜在安全问题的电网设备,降低故障对电网运行造成的影响,能够有效防止大面积停电事件的发生;另外,本发明提供的技术方案复杂度低,可适用于不同规模的电网系统,且电网运行维护效率高。
附图说明
图1是本发明实施例提供的一种智能电网实时安全预警系统的结构框图。
图形标注:
数据采集模块1;数据管理模块2;
异常分析模块3;安全预警模块4。
具体实施方式
下面结合附图具体阐明本发明的实施方式,实施例的给出仅仅是为了说明目的,并不能理解为对本发明的限定,包括附图仅供参考和说明使用,不构成对本发明专利保护范围的限制,因为在不脱离本发明精神和范围基础上,可以对本发明进行许多改变。
针对传统的电网安全运行检测多采用人工方式进行,不仅使检测工作效率低,成本高,而且可靠性低的问题,本发明实施例提供了一种智能电网实时安全预警系统,如图1所示,包括数据采集模块1,还包括与所述数据采集模块1均连接且依次连接的数据管理模块2、异常分析模块3以及安全预警模块4;
所述数据采集模块1对电网实时数据以及设备数据进行采集,在本实施例中,所述电网实时数据包括用电量信息、节点负荷信息,节点功率信息,所述设备数据包括电网设备数量;
所述数据采集模块1将预先存储的多维电网历史数据输入神经网络进行训练,输出电网预测数据,本实施例采用的所述神经网络为时间卷积网络,采用均方误差损失函数进行训练;在本实施例中,网络输入数据的形状为[B,T,D];其中,B表示训练时一次输入的批次,T为电网历史数据的采样次数,D为所述电网历史数据的总维度。
本实施例以丢失数据的恢复难度表征数据重要性,因此,选取所述电网历史数据的离散度指标、周期性指标以及维度关联指标进行分析;
所述数据管理模块2基于所述电网历史数据,利用离散模型得到离散度指标,其中,所述离散模型具体为:
所述数据管理模块2基于所述电网历史数据,得到周期性指标,具体包括:
为了方便说明,本实施例选取其中某一维所述电网历史数据进行周期性分析;
本实施例截取一定时长的所述电网历史数据,同时选取其起始位置作为采样起始点,选取与所述采样起始点对应的所述电网历史数据相同且最近邻的采样点,作为采样终止点,将所述采样起始点与所述采样终止点之间的采样间隔作为假设周期,将所述采样起始点与所述采样终止点之间的所述电网历史数据作为第一采样数据,同时,以所述采样终止点向后选取所述假设周期长度的所述电网历史数据,作为第二采样数据;
依次对比所述第一采样数据与所述第二采样数据对应位置的所述电网历史数据,若相同,则增加预设的正累积速率,若不同,则增加预设的负累积速率,同时判断当前累积值是否符合预设的累积阈值;其中,所述累积阈值包括累积触发阈值以及累积上限阈值;
本实施例利用累积公式计算所述当前累积值,所述累积公式为:
Et=Et-1+α 1-2
式中,Et表示当前累积值,Et-1表示历史累积值,α表示累积速率。
其中,本实施例设置所述历史累积值以及累积速率的初始值均为0,所述累积速率包括正累积速率以及负累积速率。
在本发明实施例中,若所述当前累积值大于等于所述累积触发阈值且小于等于所述累积上限阈值,则判断所述假设周期可能合理,此时,更新所述正累积速率以及所述负累积速率,使得所述正累积速率大于所述负累积速率,以避免出现较多的冗余信息;若所述当前累积值小于所述累积触发阈值,则判断所述假设周期可能不合理,此时,重新选取下一个所述采样终止点,并更新所述第一采样数据以及所述第二采样数据;
需要说明的是,当所述当前累积值等于所述累积上限阈值时,若仍在增加预设的正累积速率,则保持所述当前累积值不变,以避免所述当前累积值过大,从而影响周期性判断,但若增加的是负累积速率,则继续增加。
计算所述第一采样数据的已对比采样点数量与总采样点数量的比值,得到采样占比,若所述采样占比大于等于预设的占比阈值,则判断所述假设周期为真实周期,所述电网历史数据具有周期性;若所述采样占比小于预设的占比阈值,则舍弃当前的所述采样终止点,同时以所述采样起始点为基准,选取下一个所述采样终止点,更新所述第一采样数据以及所述第二采样数据,重复上述步骤,若此时长内的所有所述采样终止点均已执行计算,且均未获取真实周期,则判断所述电网历史数据无周期性;
本实施例利用投票机制,对各维所述电网历史数据是否具有周期性的判断结果进行投票决策,将超过50%的判断结果作为周期性最终判断结果,根据所述最终判断结果得到周期性指标ε2,即:
由于数据采集节点的工况不确定性,因此,实际数据采集时可能会出现数据波动,而本实施例对周期性的分析方法可有效避免因数据波动等影响因素,造成周期的错误判断,从而影响容灾策略的生成。
所述数据管理模块2对多维所述电网历史数据进行随机稀疏采样,选取一目标采样点,利用欧氏距离选取其若干相邻采样点,在本实施例中,所述目标采样点可以通过若干所述相邻采样点线性表示,本实施例选取距离最短的8个所述相邻采样点;
需要说明的是,本实施例将所述目标采样点以及所述相邻采样点按顺序依次标序号,即使后续更新所述目标采样点,也不改变其序号。
本实施例首先构建D*8的相邻采样点矩阵,其中,每列元素为同一相邻采样点不同维度的电网历史数据,每行元素为同一维度不同相邻采样点的电网历史数据,将所述相邻采样点矩阵扩增,得到D*9的相邻矩阵A,本实施例的扩增方式为在最末列添加元素,且元素值均为1;
然后,根据所述目标采样点在各维度的所述电网历史数据,构建D*D的目标矩阵C,所述目标矩阵C为对角矩阵,其主对角线的元素为所述目标采样点在各维度的所述电网历史数据;
本实施例根据所述相邻矩阵A以及所述目标矩阵C,得到9*D的参数矩阵B,本实施例利用所述相邻矩阵A的逆矩阵计算所述参数矩阵B,但考虑到所述相邻矩阵A不一定为方阵,因此,本实施例需对所述相邻矩阵A的行数分情况讨论,即:
(1)当D=9时,计算所述相邻矩阵的逆矩阵,并利用B=A-1*C得到所述参数矩阵;
(2)当D>9且所述相邻矩阵满足列满秩时,本实施例令A*B=C,并通过最小二乘法对所述相邻矩阵进行计算,得到所述相邻矩阵的左逆矩阵AL,此时,利用B=AL*C得到所述参数矩阵;
(3)当D<9且所述相邻矩阵满足行满秩时,本实施例令BT*AT=CT=C,并通过最小二乘法对所述相邻矩阵的转置矩阵AT进行计算,得到所述相邻矩阵的右逆矩阵(AT)R,此时,利用BT=CT*(AT)R,即:B=AR*C,得到所述参数矩阵;
需要说明的是,若所述相邻矩阵出现行或列的秩亏损时,本实施例需进行奇异值分解,即令A=UKVT,其中,U、V是正交矩阵,K是对角阵;然后取另一对角阵G,若K(i,i)=0,则G(i,i)=0;若K(i,i)≠0,则最终,得到所述相邻矩阵A的伪逆A+=VGUT,此时,利用B=A+*C得到所述参数矩阵。
本实施例计算所述参数矩阵的秩,根据所述参数矩阵的秩,得到秩权重;其中,所述秩权重计算公式为:
式中,δ′表示秩权重,r表示所述参数矩阵的秩,D表示所述电网历史数据的总维度。
本实施例利用直方图选取所述参数矩阵第j行中数据数量最多的同一所述电网历史的个数F,并计算行权重,所述行权重的计算公式为:
式中,δj″表示所述参数矩阵第j行的行权重,j={1,2,3,...,J-1};其中,J为所述参数矩阵的总行数,在本实施例中,J=9。
需要说明的是,由于所述参数矩阵B的最后一行均为偏置,因此,本实施例不计算所述参数矩阵B的最后一行的所述行权重,至此,本实施例可获得8个所述行权重。
本实施例将所述秩权重与所述行权重相乘,得到前(J-1)行的节点权重,即本实施例得到8个所述节点权重,另外,本实施例需统计在(J-1)个节点权重中,所述节点权重不为0的个数,将其标记为出度,同时统计当其它所述相邻采样点依次更新为目标采样点,与其获得的节点权重中,所述节点权重不为0的个数,将其标记为入度;计算所述出度与所述入度之和,得到目标关联度;
本实施例依次将所述相邻采样点更新为目标采样点,并根据上述步骤计算其各行的节点权重以及目标关联度;
根据所有所述节点权重构建邻接矩阵,比如:
其中,所述邻接矩阵主对角线的元素均为0,所述邻接矩阵主对角线之外的每行元素为同一所述目标采样点各行的节点权重,每列元素为同一行不同目标采样点的节点权重;需要说明的是,上述已规定每个采样点的序号,在所述邻接矩阵中,若计算出wpq的值,此处,p<q,则将其同时赋值给wqp,即不必计算对应wqp的值,比如:本实施例计算出w12的值,则将w12的值同时赋值给w21,至此,本实施例得到的所述邻接矩阵为对称矩阵;其中,wpq表示所述邻接矩阵第p行、第q列的节点权重。在本实施例中,所述邻接矩阵为9*9。
同时,本实施例根据得到的9个目标关联度构建度矩阵,所述度矩阵为对角矩阵,其主对角线的元素为各个所述目标关联度;
需要说明的是,当其他所述相邻采样点作为目标采样点时,若检测到另外八个采样点并非距离最短的相邻采样点,则将对应行的所述节点权重设置为0;
本实施例将所述邻接矩阵与所述度矩阵作差,得到特征矩阵,所述特征矩阵为拉普拉斯矩阵,对所述特征矩阵进行特征映射,得到所述特征矩阵的广义特征值,即:
Lf=λPf 1-6
式中,L表示特征矩阵,P表示度矩阵,f表示特征向量,λ表示广义特征值。
其中,每个特征向量对应一个广义特征值,根据所述广义特征值计算得到维度关联指标,即:
式中,ε3表示维度关联指标,其值越趋近于1,表明维度关联度越低;a表示大于0的广义特征值的个数。
所述异常分析模块将所述维度关联指标、所述周期性指标以及所述离散度指标输入评价模型,得到数据评价值,即:
ε=ε2(ηε1+φε3) 1-8
式中,ε表示数据评价值,η、φ表示权重值。
本实施例将所述数据评价值、所述电网实时数据以及所述电网预测数据输入异常模型,得到数据异常值,即:
式中,H表示数据异常值,Sd表示电网实时数据,Yd表示电网预测数据。
所述安全预警模块4根据所述数据异常值以及所述设备数据生成容灾策略,在本实施例中,所述容灾策略包括设备容灾策略以及灾备中心容灾策略,所述设备容灾策略包括主备容灾策略以及协同容灾策略,所述灾备中心容灾策略包括本地灾备中心容灾策略以及异地灾备中心容灾策略;
为了方便说明,本实施例以所述数据异常值以及设备数量进行说明,本领域技术人员可根据具体实施情况选取所述设备数据,以生成不同的容灾策略;
当所述数据异常值大于等于预设参考值时,若根据所述设备数据得到设备数量小于三个,则生成所述主备容灾策略,即当主用设备出现异常时,由备用设备进行数据采集;若设备数量大于等于三个,则生成所述协同容灾策略,即主用设备与备用设备协同工作,通过投票决策数据上传的方式;
本实施例默认采用本地灾备中心容灾策略,即进行实时数据备份;若通过所述主备容灾策略或所述协同容灾策略调整后,所述数据异常值仍大于等于所述预设参考值,则判断本地灾备中心服务器异常,此时,所述安全预警模块发送安全预警信息给运维人员,请求将所述本地灾备中心容灾策略变更为所述异地灾备中心容灾策略,即进行异步数据备份。
本发明实施例提供的一种智能电网实时安全预警系统,包括数据采集模块1,还包括依次连接的数据管理模块2、异常分析模块3以及安全预警模块4,解决了传统的电网安全运行检测多采用人工方式进行,不仅使检测工作效率低,成本高,而且可靠性低的问题,本发明实施例对电网历史数据进行定量分析,并根据电网实时数据以及电网预测数据实现电网安全预警,无需人工进行电网安全检测,可将工作人员从繁重的工作中解脱出来,大大提高了工作效率以及数据准确度,同时降低了成本;本实施例以多维电网历史数据的维度关联指标、周期性指标以及离散度指标,实现了快速实时地电网安全预警,提升了电网运行的稳定性和安全性,降低了电网故障对社会影响,且本实施例提供的预警系统复杂度低,能耗低,可靠性高,可以集成到任何应用系统中。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种智能电网实时安全预警系统,包括数据采集模块,其特征在于:还包括依次连接的数据管理模块、异常分析模块以及安全预警模块;
所述数据采集模块,用于采集电网实时数据以及设备数据,同时将存储的多维电网历史数据输入神经网络,得到电网预测数据;
所述数据管理模块,用于对多维所述电网历史数据进行随机稀疏采样,选取一目标采样点,利用欧氏距离选取其若干相邻采样点,构建相邻矩阵以及目标矩阵,并根据所述相邻矩阵以及所述目标矩阵,得到参数矩阵,根据所述参数矩阵得到节点权重,根据所述节点权重,得到目标关联度,依次将所述相邻采样点更新为目标采样点,计算其所述节点权重以及所述目标关联度,根据所有所述节点权重构建邻接矩阵,根据各所述目标关联度构建度矩阵,根据所述度矩阵以及所述邻接矩阵计算得到维度关联指标;还用于基于所述电网历史数据,得到周期性指标,并利用离散模型得到离散度指标;
所述异常分析模块,用于将所述维度关联指标、所述周期性指标以及所述离散度指标输入评价模型,得到数据评价值,将所述数据评价值、所述电网实时数据以及所述电网预测数据输入异常模型,得到数据异常值;
所述安全预警模块,用于根据所述数据异常值以及所述设备数据生成容灾策略。
2.如权利要求1所述的一种智能电网实时安全预警系统,其特征在于,所述根据所述参数矩阵得到节点权重,具体包括:
根据所述参数矩阵的秩,得到秩权重;
根据选取的所述参数矩阵中各行相同元素最多的数值,计算各行的行权重;
根据所述秩权重与所述行权重,得到节点权重。
3.如权利要求1所述的一种智能电网实时安全预警系统,其特征在于,所述基于所述电网历史数据,得到周期性指标,具体为:
基于所述电网历史数据,选取第一采样数据以及第二采样数据;
依次对比所述第一采样数据与所述第二采样数据对应位置的所述电网历史数据,若相同,则增加预设的正累积速率,若不同,则增加预设的负累积速率,同时判断当前累积值是否符合预设的累积阈值;
根据所述第一采样数据的已对比采样点数量与总采样点数量,得到采样占比,若所述采样占比大于等于预设的占比阈值,则判断所述电网历史数据具有周期性;
利用投票机制,判断各维所述电网历史数据周期性情况,得到周期性指标。
4.如权利要求1所述的一种智能电网实时安全预警系统,其特征在于,基于所述电网历史数据,选取第一采样数据以及第二采样数据,具体为:
选取一定时长内所述电网历史数据的采样起始点以及采样终止点;
将所述采样起始点与所述采样终止点之间的采样间隔作为假设周期;
将所述假设周期内的所述电网历史数据作为第一采样数据,同时基于所述假设周期,向后选取第二采样数据。
5.如权利要求4所述的一种智能电网实时安全预警系统,其特征在于:所述采样终止点为与所述采样起始点对应的所述电网历史数据相同且最近邻的采样点。
6.如权利要求5所述的一种智能电网实时安全预警系统,其特征在于:若所述采样占比小于预设的占比阈值,则选取下一个采样终止点,更新所述第一采样数据以及所述第二采样数据。
7.如权利要求3所述的一种智能电网实时安全预警系统,其特征在于:所述累积阈值包括累积触发阈值以及累积上限阈值。
9.如权利要求1所述的一种智能电网实时安全预警系统,其特征在于:所述容灾策略包括设备容灾策略以及灾备中心容灾策略。
10.如权利要求1所述的一种智能电网实时安全预警系统,其特征在于:所述神经网络为时间卷积网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011502631.5A CN112737109B (zh) | 2020-12-18 | 2020-12-18 | 一种智能电网实时安全预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011502631.5A CN112737109B (zh) | 2020-12-18 | 2020-12-18 | 一种智能电网实时安全预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112737109A true CN112737109A (zh) | 2021-04-30 |
CN112737109B CN112737109B (zh) | 2022-05-31 |
Family
ID=75602963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011502631.5A Expired - Fee Related CN112737109B (zh) | 2020-12-18 | 2020-12-18 | 一种智能电网实时安全预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112737109B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060129529A1 (en) * | 2004-12-07 | 2006-06-15 | International Business Machines Corporation | System and method for determining an optimal grid index specification for multidimensional data |
CN105354614A (zh) * | 2015-10-21 | 2016-02-24 | 国家电网公司 | 一种基于大数据的电网信息运维主动预警方法 |
CN110109971A (zh) * | 2019-04-19 | 2019-08-09 | 国网天津市电力公司电力科学研究院 | 一种低压台区用户用电负荷特性分析方法 |
CN110909983A (zh) * | 2019-10-25 | 2020-03-24 | 浙江工业大学 | 一种主动配电网电能质量多维评估方法 |
CN111405585A (zh) * | 2020-03-19 | 2020-07-10 | 北京联合大学 | 一种基于卷积神经网络的邻区关系预测方法 |
CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
CN112052620A (zh) * | 2020-07-17 | 2020-12-08 | 清华大学 | 城市配电台区智能化监视与分析系统 |
-
2020
- 2020-12-18 CN CN202011502631.5A patent/CN112737109B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060129529A1 (en) * | 2004-12-07 | 2006-06-15 | International Business Machines Corporation | System and method for determining an optimal grid index specification for multidimensional data |
CN105354614A (zh) * | 2015-10-21 | 2016-02-24 | 国家电网公司 | 一种基于大数据的电网信息运维主动预警方法 |
CN110109971A (zh) * | 2019-04-19 | 2019-08-09 | 国网天津市电力公司电力科学研究院 | 一种低压台区用户用电负荷特性分析方法 |
CN110909983A (zh) * | 2019-10-25 | 2020-03-24 | 浙江工业大学 | 一种主动配电网电能质量多维评估方法 |
CN111405585A (zh) * | 2020-03-19 | 2020-07-10 | 北京联合大学 | 一种基于卷积神经网络的邻区关系预测方法 |
CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
CN112052620A (zh) * | 2020-07-17 | 2020-12-08 | 清华大学 | 城市配电台区智能化监视与分析系统 |
Non-Patent Citations (1)
Title |
---|
徐妍等: "边缘计算在电网状态预测中的应用研究", 《单片机与嵌入式系统应用》, 1 November 2020 (2020-11-01), pages 47 - 50 * |
Also Published As
Publication number | Publication date |
---|---|
CN112737109B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108376298B (zh) | 一种风电机组发动机温度故障预警诊断方法 | |
Hung et al. | A novel virtual metrology scheme for predicting CVD thickness in semiconductor manufacturing | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN107707431A (zh) | 一种面向云平台的数据安全监测方法及系统 | |
CN108074015B (zh) | 一种风电功率超短期预测方法及系统 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN112857658B (zh) | 一种基于云平台的压力检测系统 | |
CN114397043B (zh) | 多点温度智能检测系统 | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN112415331A (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN113988655A (zh) | 一种计及多气象因素的输电线路运行状态评估方法 | |
CN115713320A (zh) | 设备的运维策略优化方法、装置、设备及存储介质 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN112737109B (zh) | 一种智能电网实时安全预警系统 | |
CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
CN116843080B (zh) | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 | |
CN117314240A (zh) | 极端天气条件下园区综合能源系统韧性评估方法和系统 | |
CN116677570A (zh) | 基于海上风电机组机舱温度监测的故障预警方法及系统 | |
CN116562158A (zh) | 基于可解释注意力机制的航空发动机气路部件剩余寿命估计方法 | |
CN108108909A (zh) | 面向电力事故、误操作事故与违章操作事故的数据分析方法 | |
Chen et al. | A data mining method for extracting key factors of distribution network reliability | |
CN116259161B (zh) | 一种电力故障预警系统 | |
CN116032557B (zh) | 一种网络安全异常检测中深度学习模型的更新方法与装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220531 |