CN115912359A - 基于大数据的数字化安全隐患识别排查治理方法 - Google Patents
基于大数据的数字化安全隐患识别排查治理方法 Download PDFInfo
- Publication number
- CN115912359A CN115912359A CN202310154070.1A CN202310154070A CN115912359A CN 115912359 A CN115912359 A CN 115912359A CN 202310154070 A CN202310154070 A CN 202310154070A CN 115912359 A CN115912359 A CN 115912359A
- Authority
- CN
- China
- Prior art keywords
- potential safety
- safety hazard
- node
- monitoring node
- monitoring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 231100001267 hazard identification Toxicity 0.000 title claims abstract description 20
- 238000011835 investigation Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 118
- 230000002159 abnormal effect Effects 0.000 claims abstract description 77
- 230000005611 electricity Effects 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims description 47
- 238000005070 sampling Methods 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 1
- 238000013024 troubleshooting Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Images
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及数字数据处理技术领域，具体涉及基于大数据的数字化安全隐患识别排查治理方法。该方法通过大数据库中监测节点之间的电压差异和时序上的电压差异获得每个监测节点的异常因子。利用初始局部网中的异常因子的峰值点分布将初始局部网进行合并，获得表示异常影响的局部网。在局部网中根据节点线路段与峰值点的位置、节点线路段中的用户用电信息和对应局部网内异常因子的峰值获得每条节点线路段的安全隐患指标，进而筛选出风险节点线路段。本发明考虑到节点之间的影响关系，通过获取参考性的强的安全隐患指标实现了电网中安全隐患的识别和排查。
Description
技术领域
本发明涉及数字数据处理技术领域，具体涉及基于大数据的数字化安全隐患识别排查治理方法。
背景技术
近年来，随着数字化技术的发展，越来越多的产业趋近于数字化管理，比如城市居民用电管理中对于用电安全隐患的识别排查，对于各式的家用电器的层出不穷，造成城市用电线路负载居高不下，从而增加了城市用电安全隐患。用电安全隐患即为潜在的或者已经发生的容易造成用电电器损坏或者造成居民人身安全的危害，所以对于用电安全隐患的识别是保障用电安全的重要手段。一般城市居民用电的安全隐患主要体现用电异常造成的线路电压的异常。
根据线路中电压的异常进行用电安全隐患的识别中，现有技术主要利用数据的异常分析，对线路中的电压进行异常分析，但是电网中因为线路分支的不规则分布，导致单线路分析或者整体分水岭分析无法准确分析线路不同位置的电压关系，因此无法对发生用电异常的位置进行准确的判断，无法进行用电安全隐患的位置识别与排查。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于大数据的数字化安全隐患识别排查治理方法，所采用的技术方案具体如下：
本发明提出了一种基于大数据的数字化安全隐患识别排查治理方法，所述方法包括：
获取每个采样时刻下每个监测节点的电压，构建大数据库；在电网中以每个监测节点为中心，每个监测节点对应一个初始局部网；
根据检测时刻下每个监测节点与其他监测节点的电压差异获得每个监测节点在检测时刻下的第一异常因子；
根据检测时刻预设邻域时段内每个监测节点的电压差异获得第二异常因子；根据第一异常因子和第二异常因子获得检测时刻下每个监测节点的异常因子；
将初始局部网之间异常因子的峰值点分布相同的初始局部网进行合并，获得局部网；根据局部网中每条节点线路段与峰值点的位置、节点线路段中的用户用电信息和对应局部网内异常因子的峰值获得每条节点线路段的安全隐患指标；
根据安全隐患指标识别出风险节点线路段。
进一步地，所述获取每个采样时刻下每个监测节点的电压包括：
在电网中线路的并联接口处安装电压检测装置；在不包含并联接口的线路上根据预设间隔安装电压检测装置；以每个电压检测装置作为监测节点，以电压检测装置的检测数据作为对应监测节点的电压。
进一步地，所述初始局部网的获取方法包括：
以每个监测节点为对应初始局部网的中心点，初始局部网中的其他节点为电网中与中心点直接连接的其他监测节点。
进一步地，所述第一异常因子的获取方法包括：
在大数据库中，根据检测时刻下每个监测节点与其他监测节点的电压的差异距离和电网中的空间距离获得每个监测节点的近邻集合；
根据每个监测节点对应的近邻集合中的目标局部可达密度；获得每个监测节点对应的近邻集合中其他监测节点的其他局部可达密度；
获得每个监测节点对应的近邻集合中所有其他局部可达密度与目标局部可达密度的密度比值，以平均密度比值作为对应监测节点的第一异常因子。
进一步地，所述第二异常因子的获取方法包括：
获得预设邻域时段中每个采样时刻下监测节点与检测时刻下监测节点之间的电压差值绝对值，以平均电压差值绝对值作为对应监测节点在检测时刻下的第二异常因子。
进一步地，所述局部网的获取方法包括：
获取每个初始局部网中的异常因子的峰值点，若峰值点之间直接连接，则将直接连接的峰值点作为一个峰值点；
若初始局部网之间的存在共同峰值点，则将对应两个初始局部网合并，获得新的初始局部网；直至初始局部网之间不存在共同峰值点，结束合并，获得局部网。
进一步地，所述安全隐患指标的获取方法包括：
根据安全隐患指标公式获得安全隐患指标，安全隐患指标公式包括：
其中，为第条节点线路段的安全隐患指标，为第条节点线路段到达峰值点经过的最少节点数量，为检测时刻下第条节点线路段中用户的用电功率最大值，为检测时刻下第条节点线路段中用户的数量，为检测时刻下第条节点线路段中第个用户的用电功率，为检测时刻下第条节点线路段对应局部网内异常因子的峰值。
进一步地，所述根据安全隐患指标识别出风险节点线路段包括：
将大于预设安全指标阈值的安全隐患指标对应的节点线路段作为风险节点线路段，并反馈预警信号。
进一步地，所述大数据库的构建方法包括：
利用半结构化对电压信息进行存储，利用OLTP系统对实时数据进行更新，所述电压信息包括监测节点标签和采样时间标签。
本发明具有如下有益效果：
本发明实施例先对每个监测节点的电压数据进行近邻分析，确定每个监测节点的异常因子，考虑到因为电网中节点之间的互相影响，不能直接根据异常因子判断风险位置，因此根据每个监测节点的异常因子峰值点分布对初始局部网进行合并，获得监测时刻下的局部网，利用局部网表示各个监测节点之间的关联信息，进而在局部网中分析每条线路的安全隐患指标，使得能够准确识别风险节点线路段，避免了对风险位置的误判，方便电网维护管理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的基于大数据的数字化安全隐患识别排查治理方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于大数据的数字化安全隐患识别排查治理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于大数据的数字化安全隐患识别排查治理方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于大数据的数字化安全隐患识别排查治理方法流程图，该方法包括：
步骤S1：获取每个采样时刻下每个监测节点的电压，构建大数据库；在电网中以每个监测节点为中心，每个监测节点对应一个初始局部网。
对于城市局部 的安全隐患识别，主要体现在用电异常导致的线路电压异常，因此为了分析电网中的风险位置，需要采集电网中多个位置的电压信息，以构建大数据库。因为用电信息是一个时序上的信息，因此需要通过固定采样频率，获得每个采样时刻下每个监测节点的电压，具体获取每个采样时刻下每个监测节点的电压包括：
为了准确体现不同分支线路的用电异常，在电网中线路的并联接口处安装电压检测装置，在不包含并联接口的线路上根据预设间隔安装电压检测装置。以每个电压检测装置的位置作为一个监测节点，以对应的的检测数据作为对应监测节点的电压。在本发明实施例中，预设间隔设置为500米，即在不存在并联接口的线路中，每隔500米设置一个电压检测装置。
获得用于进行用电安全隐患识别的原始数据后，需要将原始数据转换为数字化数据以供后续进行安全隐患分析，即需要构建数据库，获取每个采样时刻下每个监测节点的电压后，对电压数据进行存储，以构建大数据库。该数据库即能用于存储历史采集数据，还可通过实时采集数据对库内的信息进行更新，构建大数据库的具体方法包括：
因为采集到的电压信息包括监测节点标签、时间标签和具体电压数值，因此利用半结构化存储电压信息，并且利用OLTP系统对实时数据进行更新，进而获得大数据库，在后续数据分析过程中基于大数据库进行数字化分析，进行后续用电安全隐患识别。需要说明的是，半结构存储和OLTP系统为本领域技术人员熟知的技术手段，在此不做赘述。
因为局部线路中，一处用电异常或者一处线路异常会在多个监测节点反映，并且不同监测节点所反映的电压异常存在差异，存在差异的原因在于电网中的复杂节点关联关系，因此为了后续准确对局部线路的分析，首先需要确定每个监测节点的初始局部网，即以监测节点为中心获得每个监测节点的初始局部网，初始局部网表示了每个监测节点一定的影响范围，因此可用于后续表征监测节点之间关联关系的局部网的构建。具体获得初始局部网的方法包括：
以每个监测节点为对应初始局部网的中心点，初始局部网中的其他节点为电网中与中心点直接连接的其他监测节点。即初始局部网表征每个监测节点的直接影响范围。
步骤S2：根据检测时刻下每个监测节点与其他监测节点的电压差异获得每个监测节点在检测时刻下的第一异常因子。
对于城市局部电路中，理想情况下电路中的各个电源应是稳压状态，但是由于线路及用户的用电异常会导致电源线路中局部位置的电压发生变化，变化的电压可能会进一步损害线路和用户的用电器，因此可通过监测节点的电压数据进行异常判断，异常的电压值相对于正常电压值一定存在较大差异，因此可根据检测时刻下每个监测节点与其他监测节点的电压差异获得每个监测节点在检测时刻下的第一异常因子，即与其他监测节点的电压差异越大，说明对应的监测节点的电压信息越异常，第一异常因子越大，具体获得第一异常因子的方法包括：
（1）在大数据库中，根据检测时刻下每个监测节点与其他监测节点的电压的差异距离和电网中的空间距离获得每个监测节点的近邻集合。需要说明的是，在本发明实施例中近邻集合的获取方法为通过K近邻算法进行获得，K近邻算法即通过样本之间的距离找到K个与目标样本最接近的其他样本，组成目标样本的近邻集合，具体算法为本领域技术人员熟知的技术手段，在此不做赘述。在本发明实施例中，以监测节点之间的电压的差异距离和电网中的空间距离的乘积作为K近邻算法中的样本距离。
（2）根据每个监测节点与近邻集合中其他监测节点之间的电压差异距离和电网中的空间距离获得每个监测节点的目标局部可达密度；获得每个监测节点对应的近邻集合中其他监测节点的其他局部可达密度。需要说明的是，局部可达密度为近邻集合中一项公知的基础属性，以每个监测节点近邻集合中其他监测节点之间的平均距离的倒数作为对应的局部可达密度，即在本发明实施例中局部可达密度的表达式为：
其中，为检测时刻下第个监测节点的局部可达密度，为检测时刻下第个监测节点的近邻集合，为近邻集合中第个其他监测节点的电压，为检测时刻下第个监测节点的电压，为和的电压差异距离，为和对应监测节点在电网中的距离，为近邻集合中的样本数量。
需要说明的是，局部可达密度为现有公式，具体含义不再赘述。
（3）获得每个监测节点对应的近邻集合中所有其他局部可达密度与目标局部可达密度的密度比值，以平均密度比值作为对应监测节点的第一异常因子，即第一异常因子的表达式为：
其中，为检测时刻下第个监测节点的第一异常因子，为检测时刻下第个监测节点的近邻集合中第个其他监测节点的其他局部可达密度。
在第一异常因子表达式中，以局部可达密度表征每个监测节点的数据正常性，进一步以目标局部可达密度为基准，以平均密度不止作为第一异常因子，即目标局部可达密度越大，说明对应的监测节点越正常，则第一异常因子越小。
步骤S3：根据检测时刻预设邻域时段内每个监测节点的电压差异获得第二异常因子；根据第一异常因子和第二异常因子获得检测时刻下每个监测节点的异常因子。
进一步考虑到用电异常在时序上存在一个连续的特征，因此还需要考虑每个监测节点在检测时刻邻域时段内的电压差异，其中检测时刻之前多个采样时刻组成检测时刻的邻域时段，具体获得第二异常因子的方法包括：
获得预设邻域时段中每个采样时刻下监测节点与检测时刻下监测节点之间的电压差值绝对值，以平均电压差值绝对值作为对应监测节点在检测时刻下的第二异常因子。
在本发明实施例中，设置邻域时段的范围为10个采样时刻，即以检测时刻之前的10个采样时刻构成检测时刻的邻域时段。
至此可根据第一异常因子和第二异常因子获得检测时刻下每个监测节点的异常因子，即第一异常因子越大表示对应监测节点越异常，第二异常因子越大表示对应监测节点越异常，因此在本发明实施例中，以第一异常因子和第二异常因子的乘积作为异常因子。
步骤S4：将初始局部网之间异常因子的峰值点分布相同的初始局部网进行合并，获得局部网；根据局部网中每条节点线路段与峰值点的位置、节点线路段中的用户用电信息和对应局部网内异常因子的峰值获得每条节点线路段的安全隐患指标。
通过步骤S2和步骤S3获得每个监测节点的异常因子，在对应的初始局部网中也同样有每个节点的异常因子信息，因为初始局部网表示了节点之间的直接影响关系，而异常因子的大小表征了影响的程度，因此将初始局部网之间异常因子的峰值点分布相同的初始局部网进行合并，获得局部网。因为在线路中某一处用电异常或者线路异常会导致线路中多个监测节点的异常，并且监测节点的异常因子会随着远离异常源头而相对减小，每个局部网表示了一个极大的异常因子对局部网内其他节点的影响，即局部网表示线路中节点电压的传递变化关系，因此通过局部网进行后续的风险分析能够保证后续安全隐患指标的准确性。具体获得局部网的方法包括：
获取每个初始局部网中的异常因子的峰值点，若峰值点之间直接连接，则将直接连接的峰值点作为一个峰值点；若初始局部网之间的存在共同峰值点，则将对应两个初始局部网合并，获得新的初始局部网；直至初始局部网之间不存在共同峰值点，结束合并，获得局部网。
在局部网中进行分析，根据局部网中每条节点线路段与峰值点的位置、节点线路段中的用户用电信息和对应局部网内异常因子的峰值获得每条节点线路段的安全隐患指标，其中每条节点线路段与峰值点越近，则对应节点线路段越容易受到异常影响，安全隐患指标越大；节点线路段中的用户用电信息越多，说明该线路负载越大，越容易出现异常，安全隐患指标越大；对应局部网内异常因子的峰值越大，说明局部网中异常源头的影响程度越大，对应节点线路段越容易受到异常影响，安全隐患指标越大。基于此关系具体获得安全隐患指标的方法包括：
根据安全隐患指标公式获得安全隐患指标，安全隐患指标公式包括：
其中，为第条节点线路段的安全隐患指标，为第条节点线路段到达峰值点经过的最少节点数量，为检测时刻下第条节点线路段中用户的用电功率最大值，为检测时刻下第条节点线路段中用户的数量，为检测时刻下第条节点线路段中第个用户的用电功率，为检测时刻下第条节点线路段对应局部网内异常因子的峰值。
步骤S5：根据安全隐患指标识别出风险节点线路段。
优选的，将大于预设安全指标阈值的安全隐患指标对应的节点线路段作为风险节点线路段，并反馈预警信号。需要说明的是，安全隐患指标可根据具体电网的供电能力和用电情况进行具体设置，在此不做限定。
通过识别出风险节点线路段，在大数据库中对风险节点线路段进行预警标注，利用OLTP系统的人机交互系统，及时通知工作人员及时进行现场排查并治理，及时地杜绝安全隐患引起安全事故，保障居民用电安全。
综上所述，本发明实施例通过大数据库中监测节点之间的电压差异和时序上的电压差异获得每个监测节点的异常因子。利用初始局部网中的异常因子的峰值点分布将初始局部网进行合并，获得表示异常影响的局部网。在局部网中根据节点线路段与峰值点的位置、节点线路段中的用户用电信息和对应局部网内异常因子的峰值获得每条节点线路段的安全隐患指标，进而筛选出风险节点线路段。本发明实施例考虑到节点之间的影响关系，通过获取参考性的强的安全隐患指标实现了电网中安全隐患的识别和排查。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据的数字化安全隐患识别排查治理方法，其特征在于，所述方法包括：
获取每个采样时刻下每个监测节点的电压，构建大数据库；在电网中以每个监测节点为中心，每个监测节点对应一个初始局部网；
根据检测时刻下每个监测节点与其他监测节点的电压差异获得每个监测节点在检测时刻下的第一异常因子；
根据检测时刻预设邻域时段内每个监测节点的电压差异获得第二异常因子；根据第一异常因子和第二异常因子获得检测时刻下每个监测节点的异常因子；
将初始局部网之间异常因子的峰值点分布相同的初始局部网进行合并，获得局部网；根据局部网中每条节点线路段与峰值点的位置、节点线路段中的用户用电信息和对应局部网内异常因子的峰值获得每条节点线路段的安全隐患指标；
根据安全隐患指标识别出风险节点线路段。
2.根据权利要求1所述的一种基于大数据的数字化安全隐患识别排查治理方法，其特征在于，所述获取每个采样时刻下每个监测节点的电压包括：
在电网中线路的并联接口处安装电压检测装置；在不包含并联接口的线路上根据预设间隔安装电压检测装置；以每个电压检测装置作为监测节点，以电压检测装置的检测数据作为对应监测节点的电压。
3.根据权利要求1所述的一种基于大数据的数字化安全隐患识别排查治理方法，其特征在于，所述初始局部网的获取方法包括：
以每个监测节点为对应初始局部网的中心点，初始局部网中的其他节点为电网中与中心点直接连接的其他监测节点。
4.根据权利要求1所述的一种基于大数据的数字化安全隐患识别排查治理方法，其特征在于，所述第一异常因子的获取方法包括：
在大数据库中，根据检测时刻下每个监测节点与其他监测节点的电压的差异距离和电网中的空间距离获得每个监测节点的近邻集合；
根据每个监测节点对应的近邻集合中的目标局部可达密度；获得每个监测节点对应的近邻集合中其他监测节点的其他局部可达密度；
获得每个监测节点对应的近邻集合中所有其他局部可达密度与目标局部可达密度的密度比值，以平均密度比值作为对应监测节点的第一异常因子。
5.根据权利要求1所述的一种基于大数据的数字化安全隐患识别排查治理方法，其特征在于，所述第二异常因子的获取方法包括：
获得预设邻域时段中每个采样时刻下监测节点与检测时刻下监测节点之间的电压差值绝对值，以平均电压差值绝对值作为对应监测节点在检测时刻下的第二异常因子。
6.根据权利要求1所述的一种基于大数据的数字化安全隐患识别排查治理方法，其特征在于，所述局部网的获取方法包括：
获取每个初始局部网中的异常因子的峰值点，若峰值点之间直接连接，则将直接连接的峰值点作为一个峰值点；
若初始局部网之间的存在共同峰值点，则将对应两个初始局部网合并，获得新的初始局部网；直至初始局部网之间不存在共同峰值点，结束合并，获得局部网。
7.根据权利要求1所述的一种基于大数据的数字化安全隐患识别排查治理方法，其特征在于，所述安全隐患指标的获取方法包括：
根据安全隐患指标公式获得安全隐患指标，安全隐患指标公式包括：
其中，为第条节点线路段的安全隐患指标，为第条节点线路段到达峰值点经过的最少节点数量，为检测时刻下第条节点线路段中用户的用电功率最大值，为检测时刻下第条节点线路段中用户的数量，为检测时刻下第条节点线路段中第个用户的用电功率，为检测时刻下第条节点线路段对应局部网内异常因子的峰值。
8.根据权利要求1所述的一种基于大数据的数字化安全隐患识别排查治理方法，其特征在于，所述根据安全隐患指标识别出风险节点线路段包括：
将大于预设安全指标阈值的安全隐患指标对应的节点线路段作为风险节点线路段，并反馈预警信号。
9.根据权利要求1所述的一种基于大数据的数字化安全隐患识别排查治理方法，其特征在于，所述大数据库的构建方法包括：
利用半结构化对电压信息进行存储，利用OLTP系统对实时数据进行更新，所述电压信息包括监测节点标签和采样时间标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310154070.1A CN115912359B (zh) | 2023-02-23 | 2023-02-23 | 基于大数据的数字化安全隐患识别排查治理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310154070.1A CN115912359B (zh) | 2023-02-23 | 2023-02-23 | 基于大数据的数字化安全隐患识别排查治理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115912359A true CN115912359A (zh) | 2023-04-04 |
| CN115912359B CN115912359B (zh) | 2023-07-25 |
Family
ID=86483545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310154070.1A Active CN115912359B (zh) | 2023-02-23 | 2023-02-23 | 基于大数据的数字化安全隐患识别排查治理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115912359B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116701412A (zh) * | 2023-08-07 | 2023-09-05 | 中煤科工集团信息技术有限公司 | 矿用数据存储系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022592A (zh) * | 2016-05-16 | 2016-10-12 | 中国电子科技集团公司电子科学研究院 | 一种用电行为异常检测与治安风险预警方法及装置 |
| CN107123989A (zh) * | 2017-05-25 | 2017-09-01 | 国网上海市电力公司 | 一种基于改进的局部异常因子算法的电网拓扑辨识方法 |
| CN108492058A (zh) * | 2018-05-28 | 2018-09-04 | 国网江西省电力有限公司南昌供电分公司 | 一种线损管理方法 |
| CN108664990A (zh) * | 2018-03-29 | 2018-10-16 | 清华大学 | 综合熵方法和密度聚类方法的窃电检测方法及装置 |
| CN110288127A (zh) * | 2019-05-31 | 2019-09-27 | 武汉烽火富华电气有限责任公司 | 一种能源大数据处理方法 |
| US20200285737A1 (en) * | 2019-03-05 | 2020-09-10 | Microsoft Technology Licensing, Llc | Dynamic cybersecurity detection of sequence anomalies |
| CN113344346A (zh) * | 2021-05-25 | 2021-09-03 | 合肥工业大学 | 基于非侵入式负荷分解的用电异常检测方法和系统 |
| WO2021189730A1 (zh) * | 2020-03-27 | 2021-09-30 | 深圳壹账通智能科技有限公司 | 检测异常高密子图的方法、装置、设备及存储介质 |
| CN115081828A (zh) * | 2022-06-02 | 2022-09-20 | 云南电网有限责任公司信息中心 | 一种数据质量问题的自动归因方法和存储介质 |
| CN115146715A (zh) * | 2022-06-21 | 2022-10-04 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 用电安全隐患诊断方法、装置、设备及存储介质 |
| CN115170319A (zh) * | 2022-07-25 | 2022-10-11 | 中国工商银行股份有限公司 | 异常账户检测方法、图神经网络模型的构建方法和装置 |
| CN115408189A (zh) * | 2022-08-30 | 2022-11-29 | 易江枫 | 人工智能与大数据结合的异常检测方法及服务系统 |
| CN115658664A (zh) * | 2022-09-29 | 2023-01-31 | 中国电力科学研究院有限公司 | 基于任意分割异常线损数据修复方法、系统、设备及介质 |
-
2023
- 2023-02-23 CN CN202310154070.1A patent/CN115912359B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022592A (zh) * | 2016-05-16 | 2016-10-12 | 中国电子科技集团公司电子科学研究院 | 一种用电行为异常检测与治安风险预警方法及装置 |
| CN107123989A (zh) * | 2017-05-25 | 2017-09-01 | 国网上海市电力公司 | 一种基于改进的局部异常因子算法的电网拓扑辨识方法 |
| CN108664990A (zh) * | 2018-03-29 | 2018-10-16 | 清华大学 | 综合熵方法和密度聚类方法的窃电检测方法及装置 |
| CN108492058A (zh) * | 2018-05-28 | 2018-09-04 | 国网江西省电力有限公司南昌供电分公司 | 一种线损管理方法 |
| US20200285737A1 (en) * | 2019-03-05 | 2020-09-10 | Microsoft Technology Licensing, Llc | Dynamic cybersecurity detection of sequence anomalies |
| CN110288127A (zh) * | 2019-05-31 | 2019-09-27 | 武汉烽火富华电气有限责任公司 | 一种能源大数据处理方法 |
| WO2021189730A1 (zh) * | 2020-03-27 | 2021-09-30 | 深圳壹账通智能科技有限公司 | 检测异常高密子图的方法、装置、设备及存储介质 |
| CN113344346A (zh) * | 2021-05-25 | 2021-09-03 | 合肥工业大学 | 基于非侵入式负荷分解的用电异常检测方法和系统 |
| CN115081828A (zh) * | 2022-06-02 | 2022-09-20 | 云南电网有限责任公司信息中心 | 一种数据质量问题的自动归因方法和存储介质 |
| CN115146715A (zh) * | 2022-06-21 | 2022-10-04 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 用电安全隐患诊断方法、装置、设备及存储介质 |
| CN115170319A (zh) * | 2022-07-25 | 2022-10-11 | 中国工商银行股份有限公司 | 异常账户检测方法、图神经网络模型的构建方法和装置 |
| CN115408189A (zh) * | 2022-08-30 | 2022-11-29 | 易江枫 | 人工智能与大数据结合的异常检测方法及服务系统 |
| CN115658664A (zh) * | 2022-09-29 | 2023-01-31 | 中国电力科学研究院有限公司 | 基于任意分割异常线损数据修复方法、系统、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈俊艺等: "基于改进快速密度峰值算法的电力负荷曲线聚类分析", 《电力系统保护与控制》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116701412A (zh) * | 2023-08-07 | 2023-09-05 | 中煤科工集团信息技术有限公司 | 矿用数据存储系统 |
| CN116701412B (zh) * | 2023-08-07 | 2023-10-31 | 中煤科工集团信息技术有限公司 | 矿用数据存储系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115912359B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564254B (zh) | 基于大数据的配电设备状态可视化平台 | |
| CN107733357B (zh) | 一种大型光伏电站中电池面板的故障检测算法 | |
| CN113904443B (zh) | 多维度空间可视化的现场变电设备监控与预警系统 | |
| CN105512474A (zh) | 一种变压器状态监测数据的异常检测方法 | |
| CN105426980B (zh) | 一种配电网健康指数评估工程应用系统 | |
| CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
| CN104809665B (zh) | 一种基于改进Apriori算法的配电网预警方法 | |
| CN109193650A (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
| CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
| CN115912359A (zh) | 基于大数据的数字化安全隐患识别排查治理方法 | |
| CN113591393A (zh) | 智能变电站的故障诊断方法、装置、设备和存储介质 | |
| CN116500385B (zh) | 输电网监测校验方法、装置、设备和介质 | |
| Meier et al. | Power system data management and analysis using synchrophasor data | |
| CN110299758A (zh) | 一种变电站综合在线监测及诊断系统 | |
| CN107862459B (zh) | 一种基于大数据的计量设备状态评估方法及系统 | |
| CN109872112A (zh) | 一种智能变电站全自动闭环检测方法及装置 | |
| CN111415107A (zh) | 配电网台区画像生成方法、装置、计算机设备和存储介质 | |
| CN116614177A (zh) | 一种光纤状态多维度参量监测系统 | |
| CN109142830A (zh) | 基于用电信息采集系统大数据的窃电检测方法 | |
| CN117152925B (zh) | 基于大数据的电力通信数据处理系统 | |
| CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
| CN106649765A (zh) | 基于大数据技术的智能电网全景数据分析方法 | |
| CN107368979B (zh) | 一种天气敏感型区域配电网扰动事件预测方法及装置 | |
| CN102707174B (zh) | 电阻型超导限流器运行状态检测系统及检测方法 | |
| CN114069865A (zh) | 换流站运行监测系统、方法、装置、计算机设备及介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231010 Address after: Room 310, No. 42 Guangzhou Road, Development Zone, Nantong City, Jiangsu Province, 226000 Patentee after: Haopai (Nantong) Electronic Technology Co.,Ltd. Address before: 710000 Room 2701, Building C, Wealth Center, Lianhu District, Xi'an City, Shaanxi Province Patentee before: Haopai (Shaanxi) Electronic Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |