CN115561546A - 电力系统异常检测报警系统 - Google Patents

Abstract

本发明涉及电力系统信息安全领域，尤其为电力系统异常检测报警系统，包括数据收集模块：用于获取电力系统内各项电力运行数据；数据处理模块：用于对获取的电力运行数据进行处理；数据分析模块：用于根据不断更新的电力运行数据根据粒子群算法迭代更新得到最优数据预测模型；报警模块：用于根据数据分析模块检测的结果判断是否存在异常，当出现异常时报警处理。本发明通过粒子群算法构建数据预测模型，对电力运行数据通过构建一维、二维指标进行迭代优化，数据准确率高，且维度低；通过平衡函数对粒子群算法进行优化，防止粒子种群多样性的减少而导致的过早收敛现象的发生，使粒子在可控范围内迭代优化，具有一定的泛化性，可自行检测出异常数据。

Description

电力系统异常检测报警系统

技术领域

本发明涉及电力系统信息安全技术领域，尤其是一种电力系统异常检测报警系统。

背景技术

随着智能电网的快速发展,电力系统已经由传统的物理系统转变为了融合新型信息技术的信息物理系统。电力系统是我们当今的命脉，智能电网的出现显著体改了电网的效率和可靠性。但电力系统环境复杂，安全性难以得到保障。传统的数据异常检测方法中预测数据不准确导致的误报警、报警延误、漏报警或者自发现率低等情况时有发生。因此如何有效的对电力系统进行异常行为监测对电力工控系统的安全稳定运行具有重要意义。

现行电力系统的运行关联各类电网相关系统，这些电力系统运行与控制中产生的数据在规模性、多样性、高速性和价值性方面呈现高度复杂的特性，现有机器学习技术无法从上述数据中快速准确地检测和分类出设备故障和网络攻击等电力系统异常现象,普遍存在准确率低、数据维度高，泛化能力差等问题。

发明内容

本发明的目的是通过提出一种电力系统异常检测报警系统，以解决上述背景技术中提出的缺陷。

本发明采用的技术方案如下：

提供一种电力系统异常检测报警系统，包括：

数据收集模块：用于获取电力系统内各项电力运行数据；

数据处理模块：用于对获取的电力运行数据进行预处理；

数据分析模块：用于根据不断更新的电力运行数据根据粒子群算法迭代更新得到最优数据预测模型；

报警模块：用于根据数据分析模块检测的结果判断是否存在异常，当出现异常时报警处理。

作为本发明的一种优选技术方案：所述数据分析模块中，根据时间序列采集的电力数据通过粒子群算法对预测模型进行迭代寻优。

作为本发明的一种优选技术方案：所述粒子群算法中，分别根据时间序列构建一维、二维指标。

作为本发明的一种优选技术方案：所述粒子群算法中，构建同日时间序列电力运行数据为一维指标：

U＝{u₁，u₂，…，u_n}

其中，u_n为每日同点时间序列；

构建同日同点时间序列电力运行数据为二维指标：

u＝{u₁₁，u₁₂，…，u_1k，u₂₁，u₂₂，…，u_2k，…，u_n1，u_n2，…，u_nk}

其中，为每日每点的电力运行数据。

作为本发明的一种优选技术方案：在所述粒子群算法中加入平衡函数：

其中，x为粒子对应的最小D_σ值，l₁为粒子对应D_σ值随迭代次数线性变化的比例系数，N为当前迭代次数，l₂为粒子对应D_σ值随粒子序号指数变化的比例系数。

作为本发明的一种优选技术方案：对每次根据粒子群算法迭代得到的随机数与平衡函数D_σ值比较，当随机数大于该粒子的平衡函数D_σ值时，选择更新规律一进行更新，当随机数小于该粒子的平衡函数D_σ值时，选择更新规律二进行更新。

作为本发明的一种优选技术方案：所述更新规律一如下：

其中，θ为粒子惯性权重，α₁、α₂为学习因子，

为第t次迭代更新的最优电力数据值，

为第t次迭代更新时的电力数据值。

作为本发明的一种优选技术方案：所述更新规律二如下：

其中，θ为粒子惯性权重，α为学习因子，u′_nk为前一次迭代更新的电力数据值。

作为本发明的一种优选技术方案：所述报警模块根据数据分析模块建立的粒子群算法迭代得到的结果与电力运行数据实时比对，当数据在误差允许范围内时，电力系统正常工作，当比对结果相差较大时报警处理。

作为本发明的一种优选技术方案：所述报警处理的相关数据记录入电力系统运行日志中。

本发明提供的电力系统异常检测报警系统，与现有技术相比，其有益效果有：

本发明通过粒子群算法构建数据预测模型，对电力运行数据通过构建一维、二维指标进行迭代优化，数据准确率高，且维度低；并通过平衡函数对粒子群算法进行优化，防止粒子种群多样性的减少而导致的过早收敛现象的发生，使粒子在可控范围内迭代优化，具有一定的泛化性，可自行检测出异常数据。

附图说明

图1为本发明优选实施例的系统框图。

图中各个标记的意义为：100、数据收集模块；200、数据处理模块；300、数据分析模块；400、报警模块。

具体实施方式

需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。

参照图1，本发明优选实施例提供了一种电力系统异常检测报警系统，包括：

数据收集模块100：用于获取电力系统内各项电力运行数据；

数据处理模块200：用于对获取的电力运行数据进行预处理；

数据分析模块300：用于根据不断更新的电力运行数据根据粒子群算法迭代更新得到最优数据预测模型；

报警模块400：用于根据数据分析模块300检测的结果判断是否存在异常，当出现异常时报警处理。

所述数据分析模块300中，根据时间序列采集的电力数据通过粒子群算法对预测模型进行迭代寻优。

所述粒子群算法中，分别根据时间序列构建一维、二维指标。

所述粒子群算法中，构建同日时间序列电力运行数据为一维指标：

U＝{u₁，u₂，…，u_n}

其中，un为每日同点时间序列；

构建同日同点时间序列电力运行数据为二维指标：

u＝{u₁₁，u₁₂，…，u_1k，u₂₁，u₂₂，…，u_2k，…，u_n1，u_n2，…，u_nk}

其中，为每日每点的电力运行数据。

在所述粒子群算法中加入平衡函数：

其中，x为粒子对应的最小D_σ值，l₁为粒子对应D_σ值随迭代次数线性变化的比例系数，N为当前迭代次数，l₂为粒子对应D_σ值随粒子序号指数变化的比例系数。

对每次根据粒子群算法迭代得到的随机数与平衡函数D_σ值比较，当随机数大于该粒子的平衡函数D_σ值时，选择更新规律一进行更新，当随机数小于该粒子的平衡函数D_σ值时，选择更新规律二进行更新。

所述更新规律一如下：

其中，θ为粒子惯性权重，α₁、α₂为学习因子，

为第t次迭代更新的最优电力数据值，

为第t次迭代更新时的电力数据值。

所述更新规律二如下：

其中，θ为粒子惯性权重，α为学习因子，u′_nk为前一次迭代更新的电力数据值。

所述报警模块400根据数据分析模块300建立的粒子群算法迭代得到的结果与电力运行数据实时比对，当数据在误差允许范围内时，电力系统正常工作，当比对结果相差较大时报警处理。

所述报警处理的相关数据记录入电力系统运行日志中。

实施例一：

本实施例中，以某供电公司为例。所述供电公司的电力系统数据收集模块100获取所述电力公司半年内每日、以及每日内每整点的电力系统内各项电力运行数据；数据处理模块200收集所述对获取的电力运行数据进行数据清洗、数据集成等操作，用于获取根据时间序列分别建立的一维数据和二维数据；所述一维数据和二维数据根据电力系统内的数据进行实时更新。其中：

构建同日时间序列电力运行数据为一维指标：

U＝{u₁，u₂，…，u_n}

其中，un为每日同点时间序列；

构建同日同点时间序列电力运行数据为二维指标：

u＝{u₁₁，u₁₂，…，u_1k，u₂₁，u₂₂，…，u_2k，…，u_n1，u_n2，…，u_nk}

其中，为每日每点的电力运行数据。

数据分析模块300根据不断更新的电力运行数据根据粒子群算法迭代更新得到最优数据预测模型。在粒子群算法中，每一次迭代更新的结果受前一次更新结果的影响，如果前一次迭代更新的结果一直影响粒子的寻优过程，会减少粒子种群的多样性，导致过早收敛，降低寻优的稳定性，故在所述粒子群算法中加入平衡函数，用于平衡算法的快速性和稳定性：

其中，x为粒子对应的最小D_σ值，l₁为粒子对应D_σ值随迭代次数线性变化的比例系数，N为当前迭代次数，l₂为粒子对应D_σ值随粒子序号指数变化的比例系数。

粒子寻优过程中，对每次根据粒子群算法迭代得到的随机数与D_σ值比较，当随机数大于该粒子的D_σ值时，选择更新规律一进行更新，当随机数小于该粒子的D_σ值时，选择更新规律二进行更新。

所述更新规律一如下：

其中，θ为粒子惯性权重，α₁、α₂为学习因子，

为第t次迭代更新的最优电力数据值，

为第t次迭代更新时的电力数据值。

所述更新规律二如下：

其中，θ为粒子惯性权重，α为学习因子，u′_nk为前一次迭代更新的电力数据值。

报警模块400根据数据分析模块300建立的粒子群算法迭代得到的结果与电力运行数据实时比对，当数据在误差允许范围内时，电力系统正常工作，当比对结果相差较大时报警处理。报警模块400将实时比对的数据以及发生异常的位置、时间都记录入电力系统运行日志中。

实施例二：

本实施例中，以某企业电力系统为例，所述企业电力系统的数据收集模块100获取所述电力公司一年内每日、以及每日内每整点的电力系统内各项电力运行数据；数据处理模块200收集所述对获取的电力运行数据进行数据清洗、数据集成等操作，用于获取根据时间序列分别建立的一维数据和二维数据；所述一维数据和二维数据根据电力系统内的数据进行实时更新。通过数据处理模块200收集所述企业的电力系统的电力运行数据，根据数据收集模块100的收集、分析，对企业的用电负荷高峰期可能出现的状况提前准备好预备方案，并对企业用电量拥有基本了解，对可能出现的被盗电情况能够及时发现，减少损失。数据分析模块300对数据收集模块100收集处理的电力运行数据信息通过粒子群算法建立的数据预测模型进行分析，能够对电力系统中出现的异常情况及时分析，以及及时发现并定位蕴含在电力运行数据中的攻击信息。报警模块400时刻检测数据分析模块300分析出的数据信息，并与实时运行的电力系统中的电力运行数据进行比较，当比较数据出现异常时，立刻报警，并将检测的异常数据，以及数据出现的位置、时间记录入电力运行日志中，便于后期查验。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.电力系统异常检测报警系统，其特征在于：包括：

数据收集模块(100)：用于获取电力系统内各项电力运行数据；

数据处理模块(200)：用于对获取的电力运行数据进行预处理；

数据分析模块(300)：用于根据不断更新的电力运行数据根据粒子群算法迭代更新得到最优数据预测模型；

报警模块(400)：用于根据数据分析模块(300)检测的结果判断是否存在异常，当出现异常时报警处理。

2.根据权利要求1所述的电力系统异常检测报警系统，其特征在于：所述数据分析模块(300)中，根据时间序列采集的电力数据通过粒子群算法对预测模型进行迭代寻优。

3.根据权利要求2所述的电力系统异常检测报警系统，其特征在于：所述粒子群算法中，分别根据时间序列构建一维、二维指标。

4.根据权利要求3所述的电力系统异常检测报警系统，其特征在于：所述粒子群算法中，构建同日时间序列电力运行数据为一维指标：

U＝{u₁,u₂,…,u_n}

其中，u_n为每日同点时间序列；

构建同日同点时间序列电力运行数据为二维指标：

u＝{u₁₁,u₁₂,…,u_1k,u₂₁,u₂₂,…,u_2k,…,u_n1,u_n2,…,u_nk}

其中，为每日每点的电力运行数据。

5.根据权利要求4所述的电力系统异常检测报警系统，其特征在于：在所述粒子群算法中加入平衡函数：

其中，x为粒子对应的最小D_σ值，l₁为粒子对应D_σ值随迭代次数线性变化的比例系数，N为当前迭代次数，l₂为粒子对应D_σ值随粒子序号指数变化的比例系数。

6.根据权利要求5所述的电力系统异常检测报警系统，其特征在于：对每次根据粒子群算法迭代得到的随机数与平衡函数D_σ值比较，当随机数大于该粒子的平衡函数D_σ值时，选择更新规律一进行更新，当随机数小于该粒子的平衡函数D_σ值时，选择更新规律二进行更新。

7.根据权利要求6所述的电力系统异常检测报警系统，其特征在于：所述更新规律一如下：

其中，θ为粒子惯性权重，α₁、α₂为学习因子，

为第t次迭代更新的最优电力数据值，

为第t次迭代更新时的电力数据值。

8.根据权利要求6所述的电力系统异常检测报警系统，其特征在于：所述更新规律二如下：

其中，θ为粒子惯性权重，α为学习因子，u′_nk为前一次迭代更新的电力数据值。

9.根据权利要求1所述的电力系统异常检测报警系统，其特征在于：所述报警模块(400)根据数据分析模块(300)建立的粒子群算法迭代得到的结果与电力运行数据实时比对，当数据在误差允许范围内时，电力系统正常工作，当比对结果相差较大时报警处理。

10.根据权利要求9所述的电力系统异常检测报警系统，其特征在于：所述报警处理的相关数据记录入电力系统运行日志中。

Images