CN112836936B - 面向电力传感网络感知层规划的风险因素筛选方法及系统 - Google Patents

面向电力传感网络感知层规划的风险因素筛选方法及系统 Download PDF

Info

Publication number
CN112836936B
CN112836936B CN202110021847.8A CN202110021847A CN112836936B CN 112836936 B CN112836936 B CN 112836936B CN 202110021847 A CN202110021847 A CN 202110021847A CN 112836936 B CN112836936 B CN 112836936B
Authority
CN
China
Prior art keywords
matrix
risk factor
measurement data
network model
risk
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
Application number
CN202110021847.8A
Other languages
English (en)
Other versions
CN112836936A (zh
Inventor
王紫琪
李碧桓
罗劲瑭
李知艺
刘颖
王玉东
曾鉴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Economic And Technological Research Institute Co LtdB412 State Grid Office
State Grid Sichuan Economic Research Institute
Zhejiang University ZJU
State Grid Corp of China SGCC
Original Assignee
State Grid Economic And Technological Research Institute Co LtdB412 State Grid Office
State Grid Sichuan Economic Research Institute
Zhejiang University ZJU
State Grid Corp of China SGCC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Economic And Technological Research Institute Co LtdB412 State Grid Office, State Grid Sichuan Economic Research Institute, Zhejiang University ZJU, State Grid Corp of China SGCC filed Critical State Grid Economic And Technological Research Institute Co LtdB412 State Grid Office
Priority to CN202110021847.8A priority Critical patent/CN112836936B/zh
Publication of CN112836936A publication Critical patent/CN112836936A/zh
Application granted granted Critical
Publication of CN112836936B publication Critical patent/CN112836936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种面向电力传感网络感知层规划的风险因素筛选方法及系统，其特征在于，包括以下内容：1)建立面向电力传感网络感知层的量测终端的风险因素数据集；2)根据量测终端的风险因素数据集，建立每一风险因素下的高维量测数据矩阵；3)对每一高维量测数据矩阵均进行去噪，得到对应去噪后的相关矩阵；4)根据各去噪后的相关矩阵，生成复杂网络模型；5)根据生成的复杂网络模型，筛选出量测终端的关键风险因素，本发明可以广泛应用于电气工程领域中。

Description

面向电力传感网络感知层规划的风险因素筛选方法及系统
技术领域
本发明是关于一种面向电力传感网络感知层规划的风险因素筛选方法及系统，属于电气工程领域。
背景技术
随着电力行业呈现出能源革命与数字革命融合发展的趋势，多种新兴产业对电网的服务质量提出更高的要求。电力传感网络的建设，为电网的优质服务提供数据资源基础，考虑到电力传感网络的感知层设备种类繁多、工作条件恶劣，电力传感网络面临着数据缺失、数据异常、量测终端故障、通信网络攻击等多重风险。因此，全面准确的风险因素筛选与量化是构建感知层设备规划模型的前提。由于电网的信息层与物理层相互耦合，多重风险因素与感知层设备的空间分布紧密相关，这种相关性可以在量测数据中得以体现。然而，传统的风险评估方法往往带有较强的主观因素，且在量化评估风险因素时没有充分考虑到电网通信网络和物理网络的耦合关系，因此对风险因素的筛选不够全面、评估不够准确。
计算机仿真的快速发展为估计各类风险对电力传感网络的实际影响提供基础，同时，电力传感网络感知层的建设时间周期长，电网已有的量测装置和前一阶段已安置的各类量测终端均可为后一阶段的感知层规划提供事故事件集和海量数据，这为数据驱动的风险量化评估方法提供机遇与挑战。数据驱动的风险量化评估方法通过挖掘量测数据中的设备空间相关性，揭示风险因素作用于电力传感网络的空间分布规律。然而，数据驱动的风险量化方法存在着下述问题：1)感知层终端设备种类繁多、技术参数缺乏统一的规范，所取得的量测数据量纲与采样频率均有所不同，呈现出多元异构的特点；2)量测数据存在噪声，导致虚假的相关性，将影响风险量化评估的准确性；3)各节点间的空间结构复杂，如何揭示节点间的等级结构以准确评估风险因素成为了一个挑战。
发明内容
针对上述问题，本发明的目的是提供一种客观、准确且全面的面向电力传感网络感知层规划的风险因素筛选方法及系统。
为实现上述目的，本发明采取以下技术方案：一种面向电力传感网络感知层规划的风险因素筛选方法，包括以下内容：
1)建立面向电力传感网络感知层的量测终端的风险因素数据集；
2)根据量测终端的风险因素数据集，建立每一风险因素下的高维量测数据矩阵；
3)对每一高维量测数据矩阵均进行去噪，得到对应去噪后的相关矩阵；
4)根据各去噪后的相关矩阵，生成复杂网络模型；
5)根据生成的复杂网络模型，筛选出量测终端的关键风险因素。
进一步地，所述步骤1)的具体过程为：
1.1)根据量测终端的实际风险因素发生事件数据集，获取各风险因素发生事件对应时段的实际量测数据；
1.2)采用计算机仿真方法，模拟风险因素典型场景下量测终端的运行情况，获取量测终端风险因素典型场景对应时段的仿真量测数据；
1.3)综合实际量测数据和仿真量测数据两方面生成量测终端的风险因素数据集。
进一步地，所述步骤2)的具体过程为：
2.1)对于采样频率不同的多源量测数据，选取采样频率最高的量测数据x1,p，对其余量测数据进行补全，得到长度与采样频率相等的量测时间序列x′1,p：
x′1,p＝{x′t}＝{x1,x1+ε,x1+ε，x2，…，xT，xT+ε，xT+ε}
其中：
x1，p＝{xt}＝{x1，x2，…,xT}
式中，xt为原始数据；x′t为经过延拓后的数据；xT为时间序列x1,p在T时刻的量测数据；ε为均值为0、方差为σ2的白噪声；
2.2)对多源量测数据进行差分和z-score归一化处理，得到数据范围在区间[-1，1]的量测时间序列；
2.3)将数据范围相同、长度与采样频率相同的量测时间序列整理为高维量测数据矩阵Xp：
式中，x′N,p为经过延拓、一阶差分和z-score归一化的时间序列；N为量测时间序列的数量。
进一步地，所述步骤3)的具体过程为：
3.1)根据每一高维量测数据矩阵Xp，得到对应相关矩阵Sp：
式中，Xp为第p个风险因素的高维量测数据矩阵；Sp为第p个风险因素的相关矩阵；T为经过延拓后量测时间序列的长度；
3.2)对各相关矩阵Sp均进行奇异值分解，得到对应特征值对角矩阵Dp和特征向量矩阵Up：
Sp＝UpDpUp T
Dp＝diag(λ1,p,λ2,p,…,λm,p)
式中，Dp为第p个风险因素的特征值对角矩阵；Up为第p个风险因素的特征向量矩阵；λ1,p,λ2,p,…,λm,p为特征值对角矩阵Dp的特征值；
3.3)将各特征值对角矩阵Dp中对应随机噪声的特征值均置为0，得到对应去噪后的特征值对角矩阵Dr,p：
Dr,p＝diag(λ1,p,λ2,p,…,λa,p,(λa+1,p-λa+1,p),…,(λb,p-λb,p),λb+1,p，λb+2，p,…,λm,p)
其中：
λ1,p≤λ2,p≤…≤λm,p
式中，cp为第p个风险因素的高维量测数据矩阵Xp的行列比；λa,p、λa+1,p、λb,p、λb+1,p为相关矩阵Sp的特征值；
3.4)根据各去噪后的特征值对角矩阵Dr,p，得到对应去噪后的相关矩阵Sr,p：
Sr,p＝UpDr，pUp T。
进一步地，所述步骤4)的具体过程为：
4.1)在距离矩阵中添加自适应阈值因子
式中，为人工整定的阈值系数；i为循环变量的行数；j为循环变量的列数；mp为相关矩阵的维数；d′ij,p为第p个风险因素的距离矩阵F′p的元素；
4.2)根据自适应阈值因子对复杂网络模型进行简化，得到简化后的复杂网络模型：
式中，dij,p为第p个风险因素的简化距离矩阵Fp的元素；
4.3)计算简化后的复杂网络模型的全节点度值和nl,p；
4.4)采用Kruskal算法，求解简化后的复杂网络模型的最小生成树，计算复杂网络模型的关键节点数目nk,p。
进一步地，所述步骤5)的具体过程为：
5.1)根据生成的复杂网络模型的全节点度值和nl,p以及关键节点数目nk,p，计算风险因素的重要性指标nr,p：
nr,p＝ωnl,p+rp(1-ω)nk,p
式中，nr,p为第p个风险因素的重要性指标值；ω为权重系数；rp为归一化因子；
5.2)根据工程实际需求和风险因素的重要性指标nr,p，对各重要性指标对应的风险因素进行排序和评估，筛选出其中的若干风险因素组成量测终端的关键风险因素集。
一种面向电力传感网络感知层规划的风险因素筛选系统，包括：
数据集建立模块，用于建立面向电力传感网络感知层的量测终端的风险因素数据集；
高维量测数据矩阵建立模块，用于根据量测终端的风险因素数据集，建立每一风险因素下的高维量测数据矩阵；
去噪模块，用于对每一高维量测数据矩阵均进行去噪，得到对应去噪后的相关矩阵；
复杂网络模型生成模块，用于根据各去噪后的相关矩阵，生成复杂网络模型；
关键风险因素筛选模块，用于根据生成的复杂网络模型，筛选出量测终端的关键风险因素。
一种处理器，包括计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述面向电力传感网络感知层规划的风险因素筛选方法对应的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述面向电力传感网络感知层规划的风险因素筛选方法对应的步骤。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明完全依赖数据驱动，结合网络实测数据和高精度仿真数据分析多种风险因素发生时量测点的空间相关性，对风险因素的量化评估结果更加全面，客观性极强。
2、由于电力传感网络感知层的量测终端工作环境恶劣，量测数据中含有随机噪声会造成虚假的相关性，本发明采用基于随机矩阵理论的相关矩阵去噪方法，去除量测数据中的噪声，使得相关性分析的结果更加准确。
3、本发明采用高维量测数据矩阵对多元异构的量测大数据建模，这些数据可以来自种类多样、规范不一的量测终端，同时，本发明基于自适应阈值生成复杂网络模型，不必根据电网的变化重复选取参数，增强方法的适用性和可推广性，可以广泛应用于电气工程领域中。
附图说明
图1是本发明一实施例提供的风险因素筛选方法流程图；
图2是本发明一实施例提供的相关矩阵去噪示意图；
图3是本发明一实施例提供的风险评估筛选过程示意图；
图4是本发明一实施例提供的高维量测数据矩阵建模流程图；
图5是本发明一实施例提供的无向网络的最小生成树示意图。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。
本发明首先归纳风险因素，由实测和计算机仿真数据建立风险因素数据集；经过数据预处理后，将量测大数据整理为高维量测数据矩阵；随后基于随机矩阵理论和谱分解，生成去噪相关矩阵，并将相关矩阵网络化得到无向网络模型，并采用Kruskal算法求解无向网络模型的最小生成树；最后，从无向网络模型的连接紧密度和关键节点数两个因素评估量化风险因素。结合网络实测数据和高精度仿真数据分析多种风险因素发生时量测点的空间相关性，对风险因素的量化评估结果更加全面。
实施例1
如图1所示，本实施例提供一种面向电力传感网络感知层规划的风险因素筛选方法，包括以下步骤：
1)建立面向电力传感网络感知层的量测终端的风险因素数据集，具体为：
1.1)根据量测终端的实际风险因素发生事件数据集，获取各风险因素发生事件对应时段的实际量测数据，其中，风险因素例如量测终端故障、通信丢包、网络攻击等。
1.2)为获得更全面的风险因素，采用计算机仿真方法，模拟风险因素典型场景下量测终端的运行情况，获取量测终端风险因素典型场景对应时段即时间维度的仿真量测数据。
1.3)综合实际量测数据和仿真量测数据两方面生成量测终端的风险因素数据集。
1.4)由于风险因素数据集中可能存在数据缺失的情况，可以采用ARMA模型对缺失数据进行预测和补全。
2)根据量测终端的风险因素数据集，建立每一风险因素下的高维量测数据矩阵，具体为：
2.1)对于采样频率不同的多源量测数据(例如下述x′1,p和x2,p)，选取采样频率最高的量测数据，对其余量测数据进行补全，其中，补全方式为在对应时段内的实际量测数据上叠加白噪声，得到长度与采样频率相等的量测时间序列，多源量测数据为实际量测数据或仿真量测数据，优先使用实际量测数据，如果风险因素实际没有发生(例如过去没发生网络攻击的情况，但必须考虑网络攻击作为典型的风险因素)，则使用仿真量测数据。
同一时段内，同一量测点的多条时间序列可能由于采样频率不同造成时间点数不等，例如变量1的时间序列x1,p的长度为T，变量2的时间序列x2,p长度为3T，则应对时间序列x1,p进行延拓得到x′1,p使其长度达到3T：
x1,p＝{xt}＝{x1,x2,…,xT} (1)
x′1,p＝{x′t}＝{x1,x1+ε,x1+ε,x2,…,xT,xT+ε,xT+ε} (2)
式中，xt为原始数据；x′t为经过延拓后的数据；xT为时间序列x1,p在T时刻的量测数据；ε为均值为0、方差为σ2的白噪声，σ2的选取与原始数据xt的大小有关。
2.2)对多源量测数据进行差分和z-score(零-均值)归一化处理，得到数据范围在区间[-1，1]的量测时间序列。
2.3)将数据范围相同、长度与采样频率相同的量测时间序列整理为高维量测数据矩阵Xp：
式中，x′N,p为经过延拓、一阶差分和z-score归一化的时间序列；N为量测时间序列的数量。
3)如图2所示，对每一高维量测数据矩阵均进行去噪，得到对应去噪后的相关矩阵，具体为：
3.1)根据每一高维量测数据矩阵Xp，得到对应相关矩阵Sp：
式中，Xp为第p个风险因素的高维量测数据矩阵；Sp为第p个风险因素的相关矩阵；T为经过延拓后量测时间序列的长度。
3.2)对各相关矩阵Sp均进行SVD(奇异值分解)，得到对应特征值对角矩阵Dp和特征向量矩阵Up：
Sp＝UpDpUp T (5)
Dp＝diag(λ1,p,λ2,p,…,λm,p) (6)
式中，Dp为第p个风险因素的特征值对角矩阵；Up为第p个风险因素的特征向量矩阵；λ1,p,λ2,p,…,λm,p为特征值对角矩阵Dp的特征值。
3.3)将各特征值对角矩阵Dp中对应随机噪声的特征值均置为0，以去除随机噪声，得到对应去噪后的特征值对角矩阵Dr,p：
Dr,p＝diag(λ1,p,λ2,p,…,λa,p,(λa+1,p-λa+1,p)，…，(λb，p-λb，p)，λb+1，p，λb+2,p，…，λm，p) (7)
其中：
λ1，p≤λ2，p≤…≤λm,p (8)
式中，cp为第p个风险因素的高维量测数据矩阵Xp的行列比，满足cp∈(0，1)；λa，p、λa+1，p、λb，p、λb+1，p为相关矩阵Sp的特征值。
3.4)根据各去噪后的特征值对角矩阵Dr，p，得到对应去噪后的相关矩阵Sr，p：
Sr，p＝UpDr，pUp T (11)
4)根据各去噪后的相关矩阵，生成复杂网络模型即无向网络模型，具体为：
4.1)为揭示风险因素发生时的节点间的等级结构，从多维度全面评估风险因素，在距离矩阵中添加自适应阈值因子以简化无向网络，其中，自适应阈值因子/>为：
式中，为人工整定的阈值系数，适用于每一个风险因子，满足/>i为循环变量的行数(第i行)；j为循环变量的列数(第j列)；mp为相关矩阵的维数；d′ij，p为第p个风险因素的距离矩阵F′p的元素，且：
式中，ρij，p为第p个风险因素的去噪后的相关矩阵Sr，p的元素。
4.2)根据自适应阈值因子对复杂网络模型进行简化，得到简化后的复杂网络模型，即简化后的无向网络模型：
式中，dij，p为第p个风险因素的简化距离矩阵Fp的元素。
4.3)计算简化后的无向网络模型的全节点度值和nl，p。
4.4)采用Kruskal(克鲁斯卡尔)算法，求解简化后的无向网络模型的最小生成树，计算无向网络模型的关键节点数目nk，p，其中，若最小生成树中的某一节点的度值大于自适应阈值系数则认定其为关键节点，自适应阈值系数/>
因为无向网络是自适应的，而最小生成树是在自适应无向网络模型的基础上生成的，因此不需要根据数据集的差异反复设置参数。
5)如图3所示，根据生成的无向网络模型的连接紧密度(即全节点度值和nl，p)和关键节点数目nk，p，评估和量化风险因素对电力传感网络(即电网中所有量测终端及其通信网络的总和)的影响，筛选出量测终端的关键风险因素，具体为：
5.1)综合考虑全无向网络的连接紧密度和关键节点数目两个因素，根据生成的无向网络模型的全节点度值和nl，p和关键节点数目nk，Fp，计算风险因素的重要性指标nr，p：
nr，p＝ωnl，p+rp(1-ω)nk，p (17)
式中，nr,p为第p个风险因素的重要性指标值；ω为人工设置的权重系数，满足ω∈[0，1]；rp为归一化因子。
5.2)根据工程实际需求和风险因素的重要性指标nr，p，对各重要性指标对应的风险因素进行排序和评估，筛选出其中的若干风险因素组成量测终端的关键风险因素集。
下面通过具体实施例详细说明本发明的面向电力传感网络感知层规划的风险因素筛选方法：
1)建立某配电台区的风险因素数据集：
根据某配电台区1年内的实际风险因素发生事件数据集，获取各风险因素发生事件对应时段的实际量测数据。下面以数据异常为风险因素典型场景，设定其为第p个风险因素，采集该配电台区某天内某一量测点出现连续数据异常情况，有功功率数据采集频率为15min/次，温度数据采集频率为1h/次。采集当天的有功功率与温度数据，其中，有功数据时间序列长度为96点，温度数据时间序列长度为24点。
2)根据量测终端的风险因素数据集，建立每一风险因素下的高维量测数据矩阵：
将温度采集数据延拓至96点，并进行一阶差分和z-score归一化得到高维量测数据矩阵，其过程如图4所示。高维量测数据矩阵Xp中的元素被归一化为[0,1]。
3)对各高维量测数据矩阵进行去噪，得到对应去噪后的相关矩阵。
4)设置阈值系数根据各去噪后的相关矩阵，生成复杂网络模型即无向网络模型，如图5所示。
5)根据无向网络模型的全节点度值和以及关键节点数目，评估和量化风险因素对电力传感网络的影响，得到该配电台区各风险因素的重要性指标值，进而可以根据风险因素的重要性指标值排序。重要性指标值越大，对应风险因素引发连锁风险的概率越大，则风险指标越重要，应当在感知层规划中予以重点考虑。
实施例2
本实施例提供一种面向电力传感网络感知层规划的风险因素筛选系统，包括：
数据集建立模块，用于建立面向电力传感网络感知层的量测终端的风险因素数据集。
高维量测数据矩阵建立模块，用于根据量测终端的风险因素数据集，建立每一风险因素下的高维量测数据矩阵。
去噪模块，用于对每一高维量测数据矩阵均进行去噪，得到对应去噪后的相关矩阵。
复杂网络模型生成模块，用于根据各去噪后的相关矩阵，生成复杂网络模型。
关键风险因素筛选模块，用于根据生成的复杂网络模型，筛选出量测终端的关键风险因素。
实施例3
本实施例提供一种与本实施例1所提供的面向电力传感网络感知层规划的风险因素筛选方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在处理器上运行的计算机程序，处理器运行计算机程序时执行本实施例1所提供的面向电力传感网络感知层规划的风险因素筛选方法。
在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例4
本实施例1的面向电力传感网络感知层规划的风险因素筛选方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的声音识别方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (7)

1.一种面向电力传感网络感知层规划的风险因素筛选方法，其特征在于，包括以下内容：
1)建立面向电力传感网络感知层的量测终端的风险因素数据集；
2)根据量测终端的风险因素数据集，建立每一风险因素下的高维量测数据矩阵；
3)对每一高维量测数据矩阵均进行去噪，得到对应去噪后的相关矩阵，具体过程为：
3.1)根据每一高维量测数据矩阵Xp，得到对应相关矩阵Sp：
式中，Xp为第p个风险因素的高维量测数据矩阵；Sp为第p个风险因素的相关矩阵；T为经过延拓后量测时间序列的长度；
3.2)对各相关矩阵Sp均进行奇异值分解，得到对应特征值对角矩阵Dp和特征向量矩阵Up：
Sp＝UpDpUp T
Dp＝diag(λ1p，λ2，p，...，λm，p)
式中，Dp为第p个风险因素的特征值对角矩阵；Up为第p个风险因素的特征向量矩阵；λ1，p，λ2，p，…，λm，p为特征值对角矩阵Dp的特征值；
3.3)将各特征值对角矩阵Dp中对应随机噪声的特征值均置为0，得到对应去噪后的特征值对角矩阵Dr，p：
Dr，p＝diag(λ1，p，λ2，p，...，λa，p，(λa+1，p-λa+1，p)，...，(λb，p-λb，p)，λb+1，p，λb+2，p，…，λm，p)
其中：
λ1，p≤λ2，p…≤λm，p
式中，cp为第p个风险因素的高维量测数据矩阵Xp的行列比；λa，p、λa+1，p、λb，p、λb+1，p为相关矩阵Sp的特征值；
3.4)根据各去噪后的特征值对角矩阵Dr，p，得到对应去噪后的相关矩阵Sr，p：
Sr，p＝UpDr，pUp T；
4)根据各去噪后的相关矩阵，生成复杂网络模型，具体过程为：
4.1)在距离矩阵中添加自适应阈值因子
式中，为人工整定的阈值系数；i为循环变量的行数；j为循环变量的列数；mp为相关矩阵的维数；d′ij,p为第p个风险因素的距离矩阵F′p的元素；
4.2)根据自适应阈值因子对复杂网络模型进行简化，得到简化后的复杂网络模型：
式中，dij,p为第p个风险因素的简化距离矩阵Fp的元素；
4.3)计算简化后的复杂网络模型的全节点度值和nl,p；
4.4)采用Kruskal算法，求解简化后的复杂网络模型的最小生成树，计算复杂网络模型的关键节点数目nk,p；
5)根据生成的复杂网络模型，筛选出量测终端的关键风险因素。
2.如权利要求1所述的一种面向电力传感网络感知层规划的风险因素筛选方法，其特征在于，步骤1)的具体过程为：
1.1)根据量测终端的实际风险因素发生事件数据集，获取各风险因素发生事件对应时段的实际量测数据；
1.2)采用计算机仿真方法，模拟风险因素典型场景下量测终端的运行情况，获取量测终端风险因素典型场景对应时段的仿真量测数据；
1.3)综合实际量测数据和仿真量测数据两方面生成量测终端的风险因素数据集。
3.如权利要求1所述的一种面向电力传感网络感知层规划的风险因素筛选方法，其特征在于，步骤2)的具体过程为：
2.1)对于采样频率不同的多源量测数据，选取采样频率最高的量测数据x1,p，对其余量测数据进行补全，得到长度与采样频率相等的量测时间序列x′1,p：
x′1，p＝{x′t}＝{x1,x1+ε,x1+ε,x2,…,xT,xT+ε,xT+e}
其中：
x1，p＝{xt}＝{x1,x2,…,xT}
式中，xt为原始数据；xt′为经过延拓后的数据；xT为时间序列x1,p在T时刻的量测数据；ε为均值为0、方差为σ2的白噪声；
2.2)对多源量测数据进行差分和z-score归一化处理，得到数据范围在区间[-1，1]的量测时间序列；
2.3)将数据范围相同、长度与采样频率相同的量测时间序列整理为高维量测数据矩阵Xp：
式中，x′N,p为经过延拓、一阶差分和z-score归一化的时间序列；N为量测时间序列的数量。
4.如权利要求1所述的一种面向电力传感网络感知层规划的风险因素筛选方法，其特征在于，步骤5)的具体过程为：
5.1)根据生成的复杂网络模型的全节点度值和nl,p以及关键节点数目nk,p，计算风险因素的重要性指标nr,p：
nr，p＝ωnl，p+rp(1-ω)nk，p
式中，nr,p为第p个风险因素的重要性指标值；ω为权重系数；rp为归一化因子；
5.2)根据工程实际需求和风险因素的重要性指标nr,p，对各重要性指标对应的风险因素进行排序和评估，筛选出其中的若干风险因素组成量测终端的关键风险因素集。
5.一种面向电力传感网络感知层规划的风险因素筛选系统，其特征在于，包括：
数据集建立模块，用于建立面向电力传感网络感知层的量测终端的风险因素数据集；
高维量测数据矩阵建立模块，用于根据量测终端的风险因素数据集，建立每一风险因素下的高维量测数据矩阵；
去噪模块，用于对每一高维量测数据矩阵均进行去噪，得到对应去噪后的相关矩阵，具体过程为：
根据每一高维量测数据矩阵Xp，得到对应相关矩阵Sp：
式中，Xp为第p个风险因素的高维量测数据矩阵；Sp为第p个风险因素的相关矩阵；T为经过延拓后量测时间序列的长度；
对各相关矩阵Sp均进行奇异值分解，得到对应特征值对角矩阵Dp和特征向量矩阵Up：
Sp＝UpDpUp T
Dp＝diag(λ1，p,λ2，p,...,λm，p)
式中，Dp为第p个风险因素的特征值对角矩阵；Up为第p个风险因素的特征向量矩阵；λ1,p,λ2,p,…,λm,p为特征值对角矩阵Dp的特征值；
将各特征值对角矩阵Dp中对应随机噪声的特征值均置为0，得到对应去噪后的特征值对角矩阵Dr,p：
Dr，p＝diag(λ1，p，λ2，p，...，λa，p，(λa+1，p-λa+1，p)，...，(λb，p-λb，p),λb+1，p,λb+2,p,…,λm,p)
其中：
λ1，p≤λ2，p≤…≤λm,p
式中，cp为第p个风险因素的高维量测数据矩阵Xp的行列比；λa,p、λa+1,p、λb,p、λb+1,p为相关矩阵Sp的特征值；
根据各去噪后的特征值对角矩阵Dr,p，得到对应去噪后的相关矩阵Sr,p：
Sr，p≤UpDr，pUp T；
复杂网络模型生成模块，用于根据各去噪后的相关矩阵，生成复杂网络模型，具体过程为：
在距离矩阵中添加自适应阈值因子
式中，为人工整定的阈值系数；i为循环变量的行数；j为循环变量的列数；mp为相关矩阵的维数；d′ij,p为第p个风险因素的距离矩阵F′p的元素；
根据自适应阈值因子对复杂网络模型进行简化，得到简化后的复杂网络模型：
式中，dij,p为第p个风险因素的简化距离矩阵Fp的元素；
计算简化后的复杂网络模型的全节点度值和nl,p；
采用Kruskal算法，求解简化后的复杂网络模型的最小生成树，计算复杂网络模型的关键节点数目nk,p；
关键风险因素筛选模块，用于根据生成的复杂网络模型，筛选出量测终端的关键风险因素。
6.一种处理器，其特征在于，包括计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-4中任一项所述的面向电力传感网络感知层规划的风险因素筛选方法对应的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-4中任一项所述的面向电力传感网络感知层规划的风险因素筛选方法对应的步骤。
CN202110021847.8A 2021-01-08 2021-01-08 面向电力传感网络感知层规划的风险因素筛选方法及系统 Active CN112836936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110021847.8A CN112836936B (zh) 2021-01-08 2021-01-08 面向电力传感网络感知层规划的风险因素筛选方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110021847.8A CN112836936B (zh) 2021-01-08 2021-01-08 面向电力传感网络感知层规划的风险因素筛选方法及系统

Publications (2)

Publication Number Publication Date
CN112836936A CN112836936A (zh) 2021-05-25
CN112836936B true CN112836936B (zh) 2023-11-24

Family

ID=75928301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110021847.8A Active CN112836936B (zh) 2021-01-08 2021-01-08 面向电力传感网络感知层规划的风险因素筛选方法及系统

Country Status (1)

Country Link
CN (1) CN112836936B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680260A (zh) * 2015-03-17 2015-06-03 云南电力调度控制中心 一种电网可视化感知模型构建方法及系统
CN104715318A (zh) * 2014-12-04 2015-06-17 国家电网公司 面向通信网络的多维度运行风险评价方法
CN109409658A (zh) * 2018-09-18 2019-03-01 中国电力科学研究院有限公司 一种配电网运行风险感知方法和装置
CN110635518A (zh) * 2019-08-22 2019-12-31 国网浙江海宁市供电有限公司 一种基于光伏高渗透率的源网荷储优化方法
CN111754719A (zh) * 2020-06-28 2020-10-09 国网湖北省电力有限公司黄石供电公司 基于物联网和多种传感器融合的电缆消防联动系统及方法
CN112116198A (zh) * 2020-08-04 2020-12-22 西安交通大学 数据驱动的流程工业状态感知网络关键节点筛选方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715318A (zh) * 2014-12-04 2015-06-17 国家电网公司 面向通信网络的多维度运行风险评价方法
CN104680260A (zh) * 2015-03-17 2015-06-03 云南电力调度控制中心 一种电网可视化感知模型构建方法及系统
CN109409658A (zh) * 2018-09-18 2019-03-01 中国电力科学研究院有限公司 一种配电网运行风险感知方法和装置
CN110635518A (zh) * 2019-08-22 2019-12-31 国网浙江海宁市供电有限公司 一种基于光伏高渗透率的源网荷储优化方法
CN111754719A (zh) * 2020-06-28 2020-10-09 国网湖北省电力有限公司黄石供电公司 基于物联网和多种传感器融合的电缆消防联动系统及方法
CN112116198A (zh) * 2020-08-04 2020-12-22 西安交通大学 数据驱动的流程工业状态感知网络关键节点筛选方法

Also Published As

Publication number Publication date
CN112836936A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
Bu et al. A data-driven game-theoretic approach for behind-the-meter PV generation disaggregation
Yang et al. A graph-based method for vulnerability analysis of renewable energy integrated power systems to cascading failures
CN107493277B (zh) 基于最大信息系数的大数据平台在线异常检测方法
Fountalis et al. Spatio-temporal network analysis for studying climate patterns
Hejase et al. Time-series regression model for prediction of mean daily global solar radiation in Al-Ain, UAE
CN110442911B (zh) 一种基于统计机器学习的高维复杂系统不确定性分析方法
CN113537844A (zh) 基于随机矩阵的区域能源互联网负荷行为分析方法及系统
Evans et al. Multivariate data analytics in PV manufacturing—Four case studies using manufacturing datasets
CN114444910A (zh) 一种面向电力物联网的边缘网络系统健康度评估方法
CN113420722A (zh) 一种机场安全管理平台的突发事件联动方法及系统
Chen et al. Data-driven distribution network topology identification considering correlated generation power of distributed energy resource
CN112836936B (zh) 面向电力传感网络感知层规划的风险因素筛选方法及系统
CN117674119A (zh) 电网运行风险评估方法、装置、计算机设备和存储介质
CN116128690B (zh) 一种碳排放量成本值计算方法、装置、设备及介质
Mahdi et al. Efficient Bayesian modeling of large lattice data using spectral properties of Laplacian matrix
Khalid et al. An augmented formulation for robust design optimization of structures using stochastic simulation method
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN115905360A (zh) 一种基于随机构建矩阵的异常数据量测辨识方法和装置
CN115130764A (zh) 基于状态评估的配电网态势预测方法及系统
CN110825583B (zh) 一种针对云数据中心多指标融合的能效定性评估技术
CN111612289B (zh) 基于新能源多场景风险特征导向的电力系统风险评估方法
CN114707784A (zh) 一种基于组合赋权法的权重确定方法及系统
CN107491576B (zh) 基于性能退化数据的导弹部件可靠性分析方法
CN111382147A (zh) 一种气象数据缺失插补方法和系统
ZEROUAL et al. Box-Jenkins approach for modelling the global solar radiation time series

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