具体实施方式
本申请通过提供了一种基于数据分析的风险评估方法及系统,解决了风险评估过程的运检数据的使用效率低,导致电力系统的风险评估结果精准度低的技术问题,达到了从故障风险指标与危害相关指标出发,全面综合分析风险评估过程的运检数据,提高风险评估结果精准度的技术效果。
实施例一
如图1所示,本申请提供了一种基于数据分析的风险评估方法,其中,所述方法包括:
步骤S100:对电力系统的运检数据进行多特征采集,确定运检数据集合;
进一步的,如图2所示,所述对电力系统的运检数据进行多特征采集,步骤S100包括:
步骤S110:通过对所述电力系统的元件设备进行数据采集,可得到元件数据集合;
步骤S120:通过对所述电力系统的电路运行进行数据采集,可得到电路运行数据集合;
步骤S130:通过对所述电力系统的网络节点进行数据采集,可得到网络节点分布数据;
步骤S140:基于所述元件数据集合、所述电路运行数据集合以及所述网络节点分布数据,得到所述运检数据集合。
具体而言,所述电力系统为任意供电组织的系统,所述电力系统的运检数据包括元件设备运检数据、电路运检数据以及网络节点运检数据,对电力系统的运检数据进行多特征采集,所述多特征即元件设备运检数据对应的元件数据特征、电路运检数据对应的电路运行数据特征以及网络节点运检数据对应的网络节点分布特征,通过元件数据特征、电路运行数据特征以及网络节点分布特征,获取运检数据集合,为后续进行数据分析提供数据支持。
进一步具体说明,基于所述电力系统的设备运行日志,通过元件设备类数据检索标记,对所述电力系统的设备运行日志进行数据检索采集,可得到元件数据集合;通过电路运行类数据检索标记,对所述电力系统的设备运行日志进行数据检索采集,可得到电路运行数据集合;通过网络节点类数据检索标记,对所述电力系统的设备运行日志进行数据检索采集,可得到网络节点分布数据;通过所述元件数据集合、所述电路运行数据集合以及所述网络节点分布数据,获取运检数据集合,在运检数据集合中所述元件数据集合、所述电路运行数据集合以及所述网络节点分布数据一一对应,所述对应即电力系统的元件设备、电路及网络节点运行时间的对应,即所述元件数据集合、所述电路运行数据集合以及所述网络节点分布数据对应的历史运行时间存在一致性,为后续进行数据分析提供数据支持。
步骤S200:通过对所述运检数据集合进行风险特征筛选,确定本体风险要素、额外风险要素集合;
进一步的,通过对所述运检数据集合进行风险特征筛选,步骤S200包括:
步骤S210:通过对所述运检数据集合进行遍历的异常筛选,得到异常运检数据集合;
步骤S220:对所述异常运检数据集合中,各异常数据进行一级的影响关联性分析,确定所述各异常数据的一级影响关联度分布;
步骤S230:对所述一级影响关联度分布进行深度的影响关联性分析,确定所述各异常数据的二级影响关联度分布;
步骤S240:将所述一级影响关联度分布中的影响风险标记为所述本体风险要素、将所述二级影响关联度分布的影响风险标记为所述额外风险要素集合。
具体而言,通过所述电力系统的设备运行日志的异常状态标记对应的异常运检数据,进行异常风险关联性分析,确定风险特征的分布,所述风险特征包括发电机风险特征、电极风险特征等相关风险特征参数胡,通过所述运检数据集合,结合风险特征的分布,进行风险特征筛选,分别确定本体风险要素、额外风险要素集合,简单说明,在电路的联锁故障区域,多数电力事故是由联锁要素关联引起,通过本体风险要素、额外风险要素进行联合分析,为全面分析电路故障的危险程度提供数据支持。
进一步具体说明,通过所述电力系统的设备运行日志的异常状态标记,对所述运检数据集合进行遍历的异常筛选,得到异常运检数据集合,所述异常运检数据集合中的元素即所述运检数据集合中的异常运检数据,通过TOPSIS法(Technique for OrderPreference by Similarity to ideal Sulution,优劣解距离法),进行相关性分析,具体的,对所述异常运检数据集合中的元素进行归一化处理,采用余弦法找出的最优匹配特征和最劣匹配特征,然后分别计算所述异常运检数据集合中的其他元素与最优匹配特征和最劣匹配特征间的距离,获得所述异常运检数据集合中的其他元素与最优匹配特征的相对接近程度,以此作为评价优劣的依据,确定所述异常运检数据集合中各异常数据对影响关联性具有一级相关性的关联数据分布,获取所述各异常数据的一级影响关联度分布;设定相对接近阈值,所述相对接近阈值即所述相关性分析对应的相对接近程度的限定指标,相对接近阈值可以通过电力系统的风险评估相关管理人员自定义设定,一般的,所述相对接近阈值对应的相对接近程度低于一级影响关联度分布与最优匹配特征的相对接近程度,具体需要通过实际数据信息进行对照分析确定,通过相对接近阈值对所述一级影响关联度分布进行相对接近深度的影响关联性分析筛选,确定所述运检数据集合中的异常运检数据的二级影响关联度分布;通过影响风险标记信号,对所述一级影响关联度分布进行影响风险标记,确定所述本体风险要素,对所述二级影响关联度分布进行影响风险标记,确定所述额外风险要素集合。
通过相关性分析,结合相对接近阈值,为全面对电路故障特征参数指标进行分析提供技术支持,为提高电路的故障风险评估结果的稳定性提供数据支持。
步骤S300:基于所述本体风险要素,对所述额外风险要素集合中各额外风险要素一一进行联锁故障分析,确定各本体-额外风险联锁影响分布;
进一步的,如图3所示,确定各本体-额外风险联锁影响分布,步骤S300包括:
步骤S310:将所述本体风险要素作为分析基点,分别对所述各额外风险要素进行一一的充分必要性分析,确定所述各额外风险要素的充分必要条件分布;
步骤S320:通过对所述各额外风险要素的必要条件分布进行筛选,可得到对应的本体-额外风险必要影响分布;
步骤S330:通过对所述各额外风险要素的充分条件分布进行筛选,可得到对应的本体-额外风险充分影响分布。
具体而言,在电力系统的故障状态,发现并确认联锁区故障,示例性的,所述联锁区故障可以包括A站联锁设备故障、B站联锁电路故障、C站联锁设备故障,所述A站、B站与C站均属于电力系统,基于所述本体风险要素,对所述额外风险要素集合中各额外风险要素一一进行联锁故障分析,简单说明,所述联锁故障分析即对所述联锁区故障进行故障关联性分析,结合上述示例进一步说明,所述A站与C站通过B站的电路进行辅助连通,A站联锁设备故障、B站联锁电路故障、C站联锁设备故障,进行故障关联性分析,确定是所述B站的电路辅助连通位置出现故障,所述联锁故障分析结果即所述B站的电路辅助连通位置故障,所述示例是为辅助方案理解,不对本申请实施例对应的联锁故障分析对应的特征参数指标进行限制,具体结合实际参数指标进行具体说明,对所述本体风险要素与所述额外风险要素集合中各额外风险要素一一进行联锁故障分析,确定各本体-额外风险联锁影响分布,所述本体-额外风险联锁影响分布中,本体风险与额外风险的对应关系可以是一对一、一对多或一对零,不对所述对应进行具体限制,通过各本体-额外风险联锁影响分布,为进行风险等级评估提供技术支持。
进一步具体说明,将所述本体风险要素作为分析基点,通过所述本体风险与所述各额外风险的事件发生对应关系,分别对所述各额外风险要素进行一一的充分必要性分析,对于存在充分必要性对应关系的所述本体风险与所述各额外风险的事件,在发生本体风险事件之后,一定发生对应的所述各额外风险事件,所述充分必要性对应关系即风险事件发生的关联,逐次分析确定所述各额外风险要素的充分必要性对应关系,确定充分必要条件分布;对所述各额外风险要素的必要条件分布进行筛选,确定本体风险与额外风险的对应关系为一对一、一对多的分布区域,本体风险与额外风险的对应关系为一对一、一对多,即表示本体风险事件与对应的额外风险事件存在充分必要性,即在发生本体风险之后,一定发生额外风险,可得到对应的本体-额外风险必要影响分布;对所述各额外风险要素的充分条件分布进行筛选,确定本体风险与额外风险的对应关系为一对零的分布区域,本体风险与额外风险的对应关系为一对零,即表示本体风险事件与对应的额外风险事件存在不存在充分必要性,即在发生本体风险之后,未必会发生额外风险,可得到对应的本体-额外风险充分影响分布。
通过对本体风险事件与各额外风险事件进行充分必要分析,为进行电力系统的风险评估提供数据支持,为保障风险评估的稳定性提供理论支持。
步骤S400:采集所述电力系统的电力供应节点分布;
步骤S500:基于所述各本体-额外风险联锁影响分布和所述电力供应节点分布,计算确定所述电力系统的相对危害因子数值;
进一步的,所述计算确定所述电力系统的相对危害因子数值,步骤S500包括:
步骤S510:对所述本体-额外风险必要影响分布和所述电力供应节点分布,进行节点重叠性分析,得到影响性故障节点总数;
步骤S520:利用所述本体-额外风险必要影响分布和所述影响性故障节点总数的除余结果,得到电力故障灾难度。
具体而言,在所述电路运行数据集合中,进行电力供应节点分布标记,对所述电力供应节点分布标记位置进行数采集,获取所述电力系统的电力供应节点分布,所述电力供应节点分布包括所述电力供应节点的通断状态等相关状态参数指标数据,通过所述各本体-额外风险联锁影响分布和所述电力供应节点分布,进行雷达图分布分析,即将所述各本体-额外风险联锁影响分布和所述电力供应节点分布均绘制于雷达图之上,进行雷达分布特征分析,计算确定所述电力系统的相对危害因子数值,为保证相对危害因子数值的稳定性提供技术支持。
进一步具体说明,将所述各本体-额外风险联锁影响分布和所述电力供应节点分布均绘制于雷达图之上,在所述雷达图中提取所述本体-额外风险必要影响分布,对所述本体-额外风险必要影响分布进行节点重叠性分析,所述节点重叠性分析即统计所述各本体-额外风险联锁影响分布和所述电力供应节点分布的重叠节点,得到影响性故障节点总数;通过所述本体-额外风险必要影响分布和所述影响性故障节点总数确定除余结果,所述除余结果即所述本体-额外风险必要影响分布除以所述影响性故障节点总数,通过所述除余结果进行电力故障灾难度评估,获取电力故障灾难度,所述电力故障灾难度用于评估电力故障的灾难度。获取电力故障灾难度,为进行电力故障评估提供重要参数指标。
进一步的,本申请实施例还包括:
步骤S530:判断所述电力故障灾难度是否满足预设故障灾难度;
步骤S540:若所述电力故障灾难度满足所述预设故障灾难度,确定所述影响性故障节点总数覆盖的故障节点减供负荷值;
步骤S550:利用所述故障节点减供负荷值和全网减供负荷值的除余结果,得到所述相对危害因子数值。
具体而言,所述预设故障灾难度可以通过电力系统的风险评估相关管理人员自定义设定,对所述电力故障灾难度与预设故障灾难度进行比较判断;若所述电力故障灾难度满足所述预设故障灾难度,确定所述影响性故障节点总数覆盖的故障节点减供负荷值,故障节点减供负荷值为故障节点对应的负载的功率,所述负载可以是导线、电缆和电气设备(变压器,断路器等);使用所述故障节点减供负荷值除以全网减供负荷值,获取除余结果,所述故障节点减供负荷值除以全网减供负荷值的除余结果即相对危害因子数值,通过计算相对危害因子数值,为提高事故等级判定的精准度提供数据支持。
进一步具体说明,在进行电力故障灾难评估过程,为保证评估结果的稳定性,需要对电力事故进行电力故障灾难度评估,确定电力事故的灾难等级,用以提高事故风险评估结果的精准度。
步骤S600:根据所述相对危害因子数值,对所述电力系统进行风险评估。
进一步的,对所述电力系统进行风险评估,步骤S600包括:
步骤S610:构建风险评估等级模型,其中,所述风险评估等级模型嵌入有相对危害因子等级与风险评估等级之间的一一对应映射关系;
步骤S620:将所述相对危害因子数值输入至所述风险评估等级模型,进行风险评估训练,得到对应的相对风险等级,并对所述电力系统进行风险评估。
具体而言,根据所述相对危害因子数值,进行数据对应映射,获取与所述相对危害因子数值对应的相对风险等级,通过所述相对风险等级对所述电力系统进行风险评估。
进一步具体说明,构建风险评估等级模型,所述风险评估等级模型的基础为数据映射器,所述风险评估等级模型嵌入有相对危害因子等级与风险评估等级之间的一一对应映射关系,所述相对危害因子等级即相对危害因子数值的等级化阈值区间,简单来说就是相对危害因子等级包括多段等级化阈值区间,所述相对危害因子数值处于所述多段等级化阈值区间的某一段等级化阈值区间中,所述风险评估等级与所述多段等级化阈值区间对应,所述风险评估等为常数,示例性的,风险评估等级为1,对应所述多段等级化阈值区间中的第一等级化阈值区间。基于数据映射器,录入所述相对危害因子等级与风险评估等级之间的一一对应映射关系,获取风险评估等级模型;将所述相对危害因子数值输入至所述风险评估等级模型,进行风险评估映射计算,所述风险评估等级模型映射输出对应的相对风险等级,相对风险等级与相对危害因子数值之间存在一一对应映射关系,通过相对风险等级,对所述电力系统进行风险评估,为保证风险评估结果的精准度提供技术支持。
综上所述,本申请所提供的一种基于数据分析的风险评估方法及系统具有如下技术效果:
由于采用了对电力系统的运检数据进行多特征采集,确定运检数据集合,进行风险特征筛选,确定本体风险要素、额外风险要素集合;基于本体风险要素,对额外风险要素集合中各额外风险要素一一进行联锁故障分析,确定各本体-额外风险联锁影响分布;采集电力供应节点分布,结合各本体-额外风险联锁影响分布,确定电力系统的相对危害因子数值,对电力系统进行风险评估。本申请通过提供了一种基于数据分析的风险评估方法及系统,达到了从故障风险指标与危害相关指标出发,全面综合分析风险评估过程的运检数据,提高风险评估结果精准度的技术效果。
由于采用了将本体风险要素作为分析基点,分别对各额外风险要素依次进行的充分必要性分析,确定各额外风险要素的充分必要条件分布,进行筛选,得到本体-额外风险必要影响分布,进行筛选,得到本体-额外风险充分影响分布。通过对本体风险事件与各额外风险事件进行充分必要分析,为进行电力系统的风险评估提供数据支持,为保障风险评估的稳定性提供理论支持。
由于采用了判断电力故障灾难度是否满足预设故障灾难度,若满足预设故障灾难度,确定影响性故障节点总数覆盖的故障节点减供负荷值;通过故障节点减供负荷值除以全网减供负荷值的结果,得到相对危害因子数值。在进行电力故障灾难评估过程,为保证评估结果的稳定性,需要对电力事故进行电力故障灾难度评估,确定电力事故的灾难等级,用以提高事故风险评估结果的精准度。
实施例二
基于与前述实施例中一种基于数据分析的风险评估方法相同的发明构思,如图4所示,本申请提供了一种基于数据分析的风险评估系统,其中,所述系统包括:
特征采集单元11,所述特征采集单元11用于对电力系统的运检数据进行多特征采集,确定运检数据集合;
特征筛选单元12,所述特征筛选单元12用于通过对所述运检数据集合进行风险特征筛选,确定本体风险要素、额外风险要素集合;
故障分析单元13,所述故障分析单元13用于基于所述本体风险要素,对所述额外风险要素集合中各额外风险要素一一进行联锁故障分析,确定各本体-额外风险联锁影响分布;
节点采集单元14,所述节点采集单元14用于采集所述电力系统的电力供应节点分布;
危害因子计算单元15,所述危害因子计算单元15用于基于所述各本体-额外风险联锁影响分布和所述电力供应节点分布,计算确定所述电力系统的相对危害因子数值;
风险评估单元16,所述风险评估单元16用于根据所述相对危害因子数值,对所述电力系统进行风险评估。
进一步的,所述系统包括:
数据采集单元,所述数据采集单元用于通过对所述电力系统的元件设备进行数据采集,可得到元件数据集合;
运行数据整合单元,所述运行数据整合单元用于通过对所述电力系统的电路运行进行数据采集,可得到电路运行数据集合;
数据采集单元,所述数据采集单元用于通过对所述电力系统的网络节点进行数据采集,可得到网络节点分布数据;
运检数据确定单元,所述运检数据确定单元用于基于所述元件数据集合、所述电路运行数据集合以及所述网络节点分布数据,得到所述运检数据集合。
进一步的,所述系统包括:
异常筛选单元,所述异常筛选单元用于通过对所述运检数据集合进行遍历的异常筛选,得到异常运检数据集合;
影响关联性分析单元,所述影响关联性分析单元用于对所述异常运检数据集合中,各异常数据进行一级的影响关联性分析,确定所述各异常数据的一级影响关联度分布;
影响关联性分析单元,所述影响关联性分析单元用于对所述一级影响关联度分布进行深度的影响关联性分析,确定所述各异常数据的二级影响关联度分布;
影响风险标记单元,所述影响风险标记单元用于将所述一级影响关联度分布中的影响风险标记为所述本体风险要素、将所述二级影响关联度分布的影响风险标记为所述额外风险要素集合。
进一步的,所述系统包括:
充分必要性分析单元,所述充分必要性分析单元用于将所述本体风险要素作为分析基点,分别对所述各额外风险要素进行一一的充分必要性分析,确定所述各额外风险要素的充分必要条件分布;
必要条件筛选单元,所述必要条件筛选单元用于通过对所述各额外风险要素的必要条件分布进行筛选,可得到对应的本体-额外风险必要影响分布;
充分条件筛选单元,所述充分条件筛选单元用于通过对所述各额外风险要素的充分条件分布进行筛选,可得到对应的本体-额外风险充分影响分布。
进一步的,所述系统包括:
重叠性分析单元,所述重叠性分析单元用于对所述本体-额外风险必要影响分布和所述电力供应节点分布,进行节点重叠性分析,得到影响性故障节点总数;
电力故障灾难情评估单元,所述电力故障灾难情评估单元用于利用所述本体-额外风险必要影响分布和所述影响性故障节点总数的除余结果,得到电力故障灾难度。
进一步的,所述系统包括:
故障灾难判断单元,所述故障灾难判断单元用于判断所述电力故障灾难度是否满足预设故障灾难度;
供负荷值确定单元,所述供负荷值确定单元用于若所述电力故障灾难度满足所述预设故障灾难度,确定所述影响性故障节点总数覆盖的故障节点减供负荷值;
危害因子确定单元,所述危害因子确定单元用于利用所述故障节点减供负荷值和全网减供负荷值的除余结果,得到所述相对危害因子数值。
进一步的,所述系统包括:
等级映射单元,所述等级映射单元用于构建风险评估等级模型,其中,所述风险评估等级模型嵌入有相对危害因子等级与风险评估等级之间的一一对应映射关系;
风险评估单元,所述风险评估单元用于将所述相对危害因子数值输入至所述风险评估等级模型,进行风险评估训练,得到对应的相对风险等级,并对所述电力系统进行风险评估。
本说明书和附图仅仅是本申请的示例性说明,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。