CN116341919B - 一种数据与模型联合驱动的安全风险评估预警方法 - Google Patents
一种数据与模型联合驱动的安全风险评估预警方法 Download PDFInfo
- Publication number
- CN116341919B CN116341919B CN202310605934.7A CN202310605934A CN116341919B CN 116341919 B CN116341919 B CN 116341919B CN 202310605934 A CN202310605934 A CN 202310605934A CN 116341919 B CN116341919 B CN 116341919B
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- monitoring
- source data
- node
- 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
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 184
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims 1
- 230000003449 preventive effect Effects 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
- H02J3/0012—Contingency detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- 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
-
- 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
- H02J13/00002—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 characterised by monitoring
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种数据与模型联合驱动的安全风险评估预警方法,该方法包括以下步骤:S1、设定风险因素及其评估指标,组建多层面的安全风险评估体系;S2、组建分布式监测网络,实时获取风险因素中的风险源数据;S3、利用数据驱动确定风险源数据可靠性并实现风险预评估;S4、将风险因素模糊化,并设定风险等级构建风险评估模型;S5、对实时采集得到的风险源数据进行风险评估预警。本发明通过构建数据和模型联合驱动的综合风险评估体系,能够全面、准确地评估电网系统的安全风险,利用历史数据和当前状态对未来的安全风险进行预测,提前做好预防措施,避免安全事故的发生;实时监测电网系统状态,并在出现异常情况时及时预警。
Description
技术领域
本发明涉及安全风险评估技术领域,具体来说,涉及一种数据与模型联合驱动的安全风险评估预警方法。
背景技术
电网是连接发电厂和电力用户的系统,它将电力从发电厂输送到各个用电场所。随着经济的发展和技术的进步,电力需求不断增长,电网的规模和复杂度也在不断扩大。电网系统的安全问题一直是电力行业关注的焦点,因为电力供应的中断可能会导致经济损失和生命财产损失。
目前,电网的发展趋势是智能化、数字化、高效化和清洁化。为了实现这一目标,电网需要不断地进行技术创新和升级,以满足新的能源要求和电力市场需求。在电网系统的安全管理方面,需要采用先进的技术手段和方法,实现对电网系统的实时监测、预警和快速响应,以提高电网系统的可靠性和安全性。
电网安全风险评估预警是在电网系统中发现潜在的安全风险,提前采取预防措施,以确保电网系统的安全运行。这种预警可以通过分析电网系统中的各种数据来实现,包括气象数据、传感器数据、负荷数据、电压数据等。通过对这些数据的实时监测和分析,可以发现电网系统中的异常情况,从而预测潜在的安全风险,并采取相应的措施来消除或降低风险。
现有的技术手段包括传感器技术、人工智能技术、数据挖掘技术、云计算技术等。传感器技术可以实时监测电网系统中的各种数据,并将这些数据传输到数据中心进行分析和处理。人工智能技术可以通过对电网系统中的数据进行分析,实现对电网系统的智能化管理和控制。数据挖掘技术可以挖掘电网系统中隐藏的规律和关联,以实现对电网系统的优化管理。云计算技术可以为电网系统提供强大的计算和存储能力,以支持实时监测和预警处理。这些技术手段的应用可以大大提高电网系统的安全性和可靠性。
虽然现有技术中的安全风险评估预警已经在一定程度上提高了电网系统的安全性能,但仍存在一些缺陷、不足与待改进之处,包括:
1、数据获取不充分:安全风险评估预警的精度和可靠性直接受限于数据的质量和数量。目前在电网系统中,监测设备和数据采集系统尚存在一定程度的不足,无法实现全方位、多层次的数据获取。
2、风险评估指标缺失:当前安全风险评估指标体系还存在缺失,无法覆盖所有安全风险源,如对于天气异常、人为破坏等难以预测的安全事件,缺乏有效的预警指标。
3、预警模型过于简单:目前大多数安全风险评估预警模型采用的是传统的数学模型,模型过于简单,无法充分考虑风险因素之间的相互影响和非线性关系,导致预警精度有限。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种数据与模型联合驱动的安全风险评估预警方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种数据与模型联合驱动的安全风险评估预警方法,该方法包括以下步骤:
S1、设定风险因素及其评估指标,组建多层面的安全风险评估体系;
S2、组建分布式监测网络,实时获取风险因素中的风险源数据;
S3、利用数据驱动确定风险源数据可靠性并实现风险预评估;
S4、将风险因素模糊化,并设定风险等级构建风险评估模型;
S5、对实时采集得到的风险源数据进行风险评估预警。
进一步的,设定风险因素及其评估指标,组建多层面的安全风险评估体系包括以下步骤:
S11、按照电网系统风险发生的逻辑顺序,将风险因素划分为风险源状态、管理控制能力及风险目标能力三个层面;
S12、确定风险源状态、管理控制能力及风险目标能力各自对应的评估指标,并将属于风险源状态的评估指标作为风险源数据;
S13、依据贝叶斯网络的结构特征组建评估指标-风险因素-风险评估预警三个层级的安全风险评估体系。
进一步的,组建分布式监测网络,实时获取风险因素中的风险源数据包括以下步骤:
S21、将电网系统划分若干监测区域,每个监测区域内设置有一个汇聚网关节点,并为每个汇聚网关节点配置一个中继节点;
S22、每个监测区域中配置若干监测节点;
S23、监测节点实时采集风险源数据并经过中继节点发送至汇聚网关节点。
进一步的,汇聚网关节点与中继节点作为监测网络的传输层,监测节点作为监测网络的感知层;
中继节点接收监测区域内所有监测节点采集的风险源数据进行融合并发送至汇聚网关节点。
进一步的,利用数据驱动确定风险源数据可靠性并实现风险预评估包括以下步骤:
S31、将同一个监测区域内的若干监测节点作为整体;
S32、结合历史监测数据分别计算每个监测节点自身的可靠度,筛选并剔除可靠性异常的监测节点;
S33、设定节点认证机制对监测区域内新加监测节点进行认证;
S34、将保留的监测节点采集的风险源数据进行融合,并进行风险预评估,确定该风险源数据对应的风险概率。
进一步的,结合历史监测数据分别计算每个监测节点自身的可靠度,筛选并剔除可靠性异常的监测节点包括以下步骤:
S321、记录当前监测节点采集得到的实时数据,选取前12h内的均值数据作为历史数据,将实时数据减去历史数据的绝对值与直接可靠性系数的乘积作为直接可靠度;
S322、获取当前监测区域内所有监测节点的实时数据并求取平均值,将当前监测节点的实时数据减去平均值的绝对值与相对可靠性系数的乘积作为相对可靠度;
S323、设定监测节点的监测周期,获取当前监测节点前一个监测周期的直接可靠度与相对可靠度的平均值作为该监测节点的历史可靠度;
S324、分别设定直接可靠度、相对可靠度及历史可靠度的权重值,并将三者与各自权重值的相乘后相加得到综合可靠度;
S325、将综合可靠度低于阈值的监测节点进行剔除。
进一步的,将保留的监测节点采集的风险源数据进行融合,并进行风险预评估,确定该风险源数据对应的风险概率包括以下步骤:
S341、将监测区域内保留的监测节点采集的同一类型的风险源数据进行融合得到融合源数据,计算公式为:
式中,R Date 表示融合源数据;Z表示综合可靠度;S表示实时采集的风险源数据;m表示监测节点的数量;i表示第i个监测节点;
S342、记录监测区域各个监测周期的融合源数据作为历史风险数据,将前n个监测周期的历史风险数据作为历史样本集合;
S343、利用核密度估计算法对监测区域当前的融合数据进行风险概率计算,并确定预评估状态。
进一步的,利用核密度估计算法对监测区域当前的融合数据进行风险概率计算,并确定预评估状态包括以下步骤:
S3431、结合历史样本集合,利用风险概率公式计算监测区域当前监测周期的融合数据的风险概率;
S3432、根据监测区域连续的风险概率的变化率对当前监测区域进行预评估,若风险概率小于安全阈值且变化率小于变化阈值时,则判断该监测区域为安全运行状态,若风险概率小于安全阈值且变化率大于变化阈值时,则判断该监测区域为风险潜存状态,若风险概率大于安全阈值时,则判定该监测区域为风险发生状态。
进一步的,风险概率公式为:
式中,Q表示融合源数据的风险概率;n表示历史样本集合中的融合源数据的数量;h表示带宽;K表示核函数;x表示融合数据;x j 表示第j个融合源数据。
进一步的,将风险因素模糊化,并设定风险等级构建风险评估模型包括以下步骤:
S41、构建目标节点-中间节点-证据节点的三层贝叶斯网络模型,并与评估指标-风险因素-风险评估预警三个层级进行对应合并;
S42、利用模糊描述理论,设定风险等级并将其与不同范围的三角模糊数进行匹配,构建风险评估模型;
S43、获取各个监测区域的风险源数据的风险概率,并进行解模糊化处理与推理计算确定其对应的风险等级。
本发明的有益效果为:
1、通过构建数据和模型联合驱动的综合风险评估体系,能够全面、准确地评估电网系统的安全风险,利用历史数据和当前状态对未来的安全风险进行预测,提前做好预防措施,避免安全事故的发生;实时监测电网系统状态,并在出现异常情况时及时预警,帮助运营人员及时处理问题,保障电网系统的安全稳定运行。
2、通过在电网系统中布局分布式监测网络并结合数据驱动方式实现风险预评估,能够实时地对电网中的各种风险源数据进行监测,包括设备运行状态、电力负荷、电压电流波动以及气象数据等等,可以及时发现异常情况,并及时采取相应的措施避免风险扩大;并且能够同时监测电网中的多种风险源数据,包括设备状态、负荷状况、天气状况等多方面因素,从而能够更全面、准确地评估电网的风险状况。
3、通过利用数据驱动方式计算得到的风险概率,结合BN网络与三角模糊数实现风险等级评定与计算,能够更准确地评估电网系统的风险等级,降低评估误差;利用BN网络,可以将多个因素进行综合评估,得到更为全面的风险等级评估结果,而利用三角模糊数,可以将不确定性因素考虑在内,提高决策的鲁棒性和效率,从而实现及时预警风险,避免事故发生或减少事故损失。
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,下面将对实施例中所需要使用的附图作简单地介绍,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他的附图。
图1是根据本发明实施例的一种数据与模型联合驱动的安全风险评估预警方法的流程图。
实施方式
根据本发明的实施例,提供了一种数据与模型联合驱动的安全风险评估预警方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的数据与模型联合驱动的安全风险评估预警方法,该方法包括以下步骤:
S1、设定风险因素及其评估指标,组建多层面的安全风险评估体系,包括以下步骤:
S11、按照电网系统风险发生的逻辑顺序,将风险因素划分为风险源状态、管理控制能力及风险目标能力三个层面。
电网系统的逻辑顺序为:风险源状态作为电网系统发生风险的根本原因,其状态将决定电网是否出现异常,因此风险源状态未出现异常时,即达到风险规避。当风险源状态出现异常时,则需要对其进行管控,即考验电网系统的管理控制能力,管理控制能力若及时对风险进行解决,那么即可实现风险规避,若未能解决风险隐患,那么就会产生风险,也就作用到了电网各个区域的目标实体,考验目标的风险目标能力,若目标无法承受当前风险,则造成大规模风险破坏,若能够抵御风险,则最大程度削弱风险灾害。
因此,将上述逻辑中的三个目标部分抽取出来进行评估,即针对电网系统中的风险源状态、管理控制能力及风险目标能力进行分析处理,来判断是否需要重视风险,如何快速规避风险,以及在风险后如何快速降低风险带来的破坏。
S12、确定风险源状态、管理控制能力及风险目标能力各自对应的评估指标,并将属于风险源状态的评估指标作为风险源数据。
风险源状态的评估指标包括影响电网系统运行的各项影响因子,具备多种类型因素,包括:1、天气灾害:如雷电、冰雪、大风等极端天气条件下可能导致电力设备故障、断电、线路跳闸等。2、人为因素:如盗窃、破坏、误操作等造成电力设备损坏、电网负荷失衡、电压不稳等问题。3、负荷波动:负荷波动过大会导致电力系统负荷不平衡、电压波动等问题。4、电力设备老化:随着电力设备的老化,其故障概率逐渐增加,可能导致设备失效、损坏等问题。5、突发事件:如地震、火灾等突发事件,可能导致电力设备故障、线路跳闸、停电等问题。6、供电系统不足:供电系统的不足包括电网容量不足、线路过载、电压不稳等问题,可能导致设备故障、线路跳闸、停电等问题。对于上述评估指标,将能够通过传感器技术实时监测得到的指标进行抽取,作为风险源数据(包括电力参数、气象数据及设备参数等),利用互联网感知技术进行实时监测,根据其数据变化来达到风险评估预警的目的。
管理控制能力的评估指标包括对管理者应对能力的考量,包括应急保障能力、应急响应能力、情报工作能力、应急防范能力及设备维护能力等等。若管理控制能力较强,则能相对的削弱风险的概率与后果。
风险目标能力的评估指标包括对电网系统中各个区域电气设备或变电站等设施的抗风险能力的评估,包括目标脆弱性与目标吸引力等等。
S13、依据贝叶斯网络的结构特征组建评估指标-风险因素-风险评估预警三个层级的安全风险评估体系。
S2、组建分布式监测网络,实时获取风险因素中的风险源数据。
分布式监测网络的建立可以实现对电网系统的实时监测和数据采集,为风险评估预警提供准确的数据支持。同时,分布式监测网络还可以提高电网系统的可靠性和安全性,及时发现和处理风险隐患,保障电网系统的正常运行。
组建分布式监测网络是电网系统实现风险评估预警的重要手段之一。要点如下:
1.选择合适的监测设备:根据实际情况选择合适的监测设备,例如传感器、监测器、控制器等。
2.选择合适的监测指标:根据需要监测的对象,选择合适的监测指标。例如,对于变电站,可以选择电压、电流、温度等指标进行监测。
3.确定监测点位:根据电网系统的特点和需要监测的对象,确定监测点位。监测点位的选择需要充分考虑覆盖面积、监测密度、监测成本等因素。
4.设计监测系统:根据监测设备、监测指标和监测点位,设计监测系统,包括数据采集、传输、存储、处理等环节。
5.建立监测数据管理平台:建立监测数据管理平台,对监测数据进行管理、分析和应用,为风险评估预警提供数据支持。
其中,组建分布式监测网络,实时获取风险因素中的风险源数据包括以下步骤:
S21、将电网系统划分若干监测区域,每个监测区域内设置有一个汇聚网关节点,并为每个汇聚网关节点配置一个中继节点。
S22、每个监测区域中配置若干监测节点。
S23、监测节点实时采集风险源数据并经过中继节点发送至汇聚网关节点。
其中,汇聚网关节点与中继节点作为监测网络的传输层,监测节点作为监测网络的感知层。中继节点接收监测区域内所有监测节点采集的风险源数据进行融合并发送至汇聚网关节点。
S3、利用数据驱动确定风险源数据可靠性并实现风险预评估。
数据驱动指的是通过大量数据和算法来推动决策和行动,而不是依赖于人类的经验和直觉。在电网系统中,数据驱动的方法可以帮助更好地理解电力系统的运行状况、预测故障和风险,并及时采取行动以保障电网的安全可靠运行。通过数据驱动的方法,可以从电网系统中收集大量的实时数据,并通过算法对这些数据进行分析和处理,从而得到有价值的信息。这些信息可以用于优化电网的运行、降低运行成本、提高电网的可靠性和安全性等方面。
其中,利用数据驱动确定风险源数据可靠性并实现风险预评估包括以下步骤:
S31、将同一个监测区域内的若干监测节点作为整体。
S32、结合历史监测数据分别计算每个监测节点自身的可靠度,筛选并剔除可靠性异常的监测节点。
监测节点的可靠度是指在一定时期内,监测节点正常运行并能够准确地获取和传输数据的概率。一般来说,监测节点的可靠度越高,其获取和传输的数据也就越准确可靠,从而提高了整个监测网络的可靠性和安全性。因此,对监测节点的可靠度进行评估和提高具有重要意义。
其中,结合历史监测数据分别计算每个监测节点自身的可靠度,筛选并剔除可靠性异常的监测节点包括以下步骤:
S321、记录当前监测节点采集得到的实时数据,选取前12h内的均值数据作为历史数据,将实时数据减去历史数据的绝对值与直接可靠性系数的乘积作为直接可靠度。
S322、获取当前监测区域内所有监测节点的实时数据并求取平均值,将当前监测节点的实时数据减去平均值的绝对值与相对可靠性系数的乘积作为相对可靠度。
S323、设定监测节点的监测周期,获取当前监测节点前一个监测周期的直接可靠度与相对可靠度的平均值作为该监测节点的历史可靠度。
S324、分别设定直接可靠度、相对可靠度及历史可靠度的权重值,并将三者与各自权重值的相乘后相加得到综合可靠度。
S325、将综合可靠度低于阈值的监测节点进行剔除。
S33、设定节点认证机制对监测区域内新加监测节点进行认证。
节点认证机制是一种用于确认节点身份的安全机制。在监测网络中,为了确保新加入的监测节点不会对整个网络的可靠性产生影响,需要对其进行认证。节点认证机制可以通过密码、数字证书等方式来验证节点的身份和合法性,只有通过认证的节点才能被纳入监测网络,从而保证整个网络的安全性和可靠性。
S34、将保留的监测节点采集的风险源数据进行融合,并进行风险预评估,确定该风险源数据对应的风险概率,包括以下步骤:
S341、将监测区域内保留的监测节点采集的同一类型的风险源数据进行融合得到融合源数据,计算公式为:
式中,R Date 表示融合源数据,Z表示综合可靠度,S表示实时采集的风险源数据,m表示监测节点的数量,i表示第i个监测节点。
S342、记录监测区域各个监测周期的融合源数据作为历史风险数据,将前n个监测周期的历史风险数据作为历史样本集合。
S343、利用核密度估计算法对监测区域当前的融合数据进行风险概率计算,并确定预评估状态。
核密度估计算法(Kernel Density Estimation,KDE)是一种用于从样本数据中估计概率密度函数的非参数统计方法。它通过在每个数据点上放置一个核函数,然后将所有核函数叠加起来得到一个平滑的概率密度估计。KDE的优点是不需要对数据做任何假设,可以适用于任何分布形态的数据,并且可以自适应地选择核函数带宽,从而避免了许多参数调整的问题。
其中,利用核密度估计算法对监测区域当前的融合数据进行风险概率计算,并确定预评估状态包括以下步骤:
S3431、结合历史样本集合,利用风险概率公式计算监测区域当前监测周期的融合数据的风险概率;
其中,风险概率公式的计算公式为:
式中,Q表示融合源数据的风险概率,n表示历史样本集合中的融合源数据的数量,h表示带宽,K表示核函数,x表示融合数据,x j 表示第j个融合源数据。
S3432、根据监测区域连续的风险概率的变化率对当前监测区域进行预评估,若风险概率小于安全阈值且变化率小于变化阈值时,则判断该监测区域为安全运行状态,若风险概率小于安全阈值且变化率大于变化阈值时,则判断该监测区域为风险潜存状态,若风险概率大于安全阈值时,则判定该监测区域为风险发生状态。
S4、将风险因素模糊化,并设定风险等级构建风险评估模型,包括以下步骤:
S41、构建目标节点-中间节点-证据节点的三层贝叶斯网络模型,并与评估指标-风险因素-风险评估预警三个层级进行对应合并。
S42、利用模糊描述理论,设定风险等级并将其与不同范围的三角模糊数进行匹配,构建风险评估模型。
其中,风险等级包括非常低、低、较低、中等、较高、高及非常高七个等级,且其对应的三角模糊数范围为(0.0,0.0,0.1)、(0.0,0.1,0.3)、(0.1,0.3,0.5)、(0.3,0.5,0.7)、(0.5,0.7,0.9)、(0.7,0.9,1.0)、(0.9,1.0,1.0)。
S43、获取各个监测区域的风险源数据的风险概率,并进行解模糊化处理与推理计算确定其对应的风险等级。
S5、对实时采集得到的风险源数据进行风险评估预警。
综上所述,借助于本发明的上述技术方案,通过构建数据和模型联合驱动的综合风险评估体系,能够全面、准确地评估电网系统的安全风险,利用历史数据和当前状态对未来的安全风险进行预测,提前做好预防措施,避免安全事故的发生;实时监测电网系统状态,并在出现异常情况时及时预警,帮助运营人员及时处理问题,保障电网系统的安全稳定运行。通过在电网系统中布局分布式监测网络并结合数据驱动方式实现风险预评估,能够实时地对电网中的各种风险源数据进行监测,包括设备运行状态、电力负荷、电压电流波动以及气象数据等等,可以及时发现异常情况,并及时采取相应的措施避免风险扩大;并且能够同时监测电网中的多种风险源数据,包括设备状态、负荷状况、天气状况等多方面因素,从而能够更全面、准确地评估电网的风险状况。通过利用数据驱动方式计算得到的风险概率,结合BN网络与三角模糊数实现风险等级评定与计算,能够更准确地评估电网系统的风险等级,降低评估误差;利用BN网络,可以将多个因素进行综合评估,得到更为全面的风险等级评估结果,而利用三角模糊数,可以将不确定性因素考虑在内,提高决策的鲁棒性和效率,从而实现及时预警风险,避免事故发生或减少事故损失。
以上所述仅为本发明的较佳实施例而已,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 (8)
1.一种数据与模型联合驱动的安全风险评估预警方法,其特征在于,该方法包括以下步骤:
S1、设定风险因素及其评估指标,组建多层面的安全风险评估体系;
S2、组建分布式监测网络,实时获取所述风险因素中的风险源数据;具体包括:
S21、将电网系统划分若干监测区域,每个所述监测区域内设置有一个汇聚网关节点,并为每个所述汇聚网关节点配置一个中继节点;
S22、每个所述监测区域中配置若干监测节点;
S23、所述监测节点实时采集风险源数据并经过所述中继节点发送至所述汇聚网关节点;
S3、利用数据驱动确定所述风险源数据可靠性并实现风险预评估;具体包括:
S31、将同一个所述监测区域内的若干所述监测节点作为整体;
S32、结合历史监测数据分别计算每个所述监测节点自身的可靠度,筛选并剔除可靠性异常的所述监测节点;
S33、设定节点认证机制对所述监测区域内新加监测节点进行认证;
S34、将保留的所述监测节点采集的所述风险源数据进行融合,并进行风险预评估,确定该风险源数据对应的风险概率;
S4、将所述风险因素模糊化,并设定风险等级构建风险评估模型;
S5、对实时采集得到的所述风险源数据进行风险评估预警。
2.根据权利要求1所述的一种数据与模型联合驱动的安全风险评估预警方法,其特征在于,所述设定风险因素及其评估指标,组建多层面的安全风险评估体系包括以下步骤:
S11、按照电网系统风险发生的逻辑顺序,将风险因素划分为风险源状态、管理控制能力及风险目标能力三个层面;
S12、确定所述风险源状态、所述管理控制能力及所述风险目标能力各自对应的评估指标,并将属于所述风险源状态的评估指标作为风险源数据;
S13、依据贝叶斯网络的结构特征组建评估指标-风险因素-风险评估预警三个层级的安全风险评估体系。
3.根据权利要求2所述的一种数据与模型联合驱动的安全风险评估预警方法,其特征在于,所述汇聚网关节点与所述中继节点作为监测网络的传输层,所述监测节点作为所述监测网络的感知层;
所述中继节点接收所述监测区域内所有所述监测节点采集的所述风险源数据进行融合并发送至所述汇聚网关节点。
4.根据权利要求3所述的一种数据与模型联合驱动的安全风险评估预警方法,其特征在于,所述结合历史监测数据分别计算每个所述监测节点自身的可靠度,筛选并剔除可靠性异常的所述监测节点包括以下步骤:
S321、记录当前所述监测节点采集得到的实时数据,选取前12h内的均值数据作为历史数据,将所述实时数据减去所述历史数据的绝对值与直接可靠性系数的乘积作为直接可靠度;
S322、获取当前所述监测区域内所有所述监测节点的实时数据并求取平均值,将当前所述监测节点的实时数据减去平均值的绝对值与相对可靠性系数的乘积作为相对可靠度;
S323、设定监测节点的监测周期,获取当前所述监测节点前一个监测周期的直接可靠度与相对可靠度的平均值作为该监测节点的历史可靠度;
S324、分别设定所述直接可靠度、所述相对可靠度及所述历史可靠度的权重值,并将三者与各自权重值的相乘后相加得到综合可靠度;
S325、将所述综合可靠度低于阈值的所述监测节点进行剔除。
5.根据权利要求4所述的一种数据与模型联合驱动的安全风险评估预警方法,其特征在于,所述将保留的所述监测节点采集的所述风险源数据进行融合,并进行风险预评估,确定该风险源数据对应的风险概率包括以下步骤:
S341、将所述监测区域内保留的所述监测节点采集的同一类型的所述风险源数据进行融合得到融合源数据,计算公式为:
式中,RDate表示融合源数据;
Z表示综合可靠度;
S表示实时采集的风险源数据;
m表示监测节点的数量;
i表示第i个监测节点;
S342、记录所述监测区域各个所述监测周期的融合源数据作为历史风险数据,将前n个所述监测周期的所述历史风险数据作为历史样本集合;
S343、利用核密度估计算法对所述监测区域当前的融合数据进行风险概率计算,并确定预评估状态。
6.根据权利要求5所述的一种数据与模型联合驱动的安全风险评估预警方法,其特征在于,所述利用核密度估计算法对所述监测区域当前的所述融合数据进行风险概率计算,并确定预评估状态包括以下步骤:
S3431、结合所述历史样本集合,利用风险概率公式计算所述监测区域当前所述监测周期的所述融合数据的风险概率;
S3432、根据所述监测区域连续的所述风险概率的变化率对当前所述监测区域进行预评估,若所述风险概率小于安全阈值且变化率小于变化阈值时,则判断该监测区域为安全运行状态,若所述风险概率小于安全阈值且变化率大于变化阈值时,则判断该监测区域为风险潜存状态,若所述风险概率大于安全阈值时,则判定该监测区域为风险发生状态。
7.根据权利要求6所述的一种数据与模型联合驱动的安全风险评估预警方法,其特征在于,所述风险概率公式为:
式中,Q表示融合源数据的风险概率;
n表示历史样本集合中的融合源数据的数量;
h表示带宽;
K表示核函数;
x表示融合数据;
xj表示第j个融合源数据。
8.根据权利要求2所述的一种数据与模型联合驱动的安全风险评估预警方法,其特征在于,所述将所述风险因素模糊化,并设定风险等级构建风险评估模型包括以下步骤:
S41、构建目标节点-中间节点-证据节点的三层贝叶斯网络模型,并与所述评估指标-风险因素-风险评估预警三个层级进行对应合并;
S42、利用模糊描述理论,设定风险等级并将其与不同范围的三角模糊数进行匹配,构建风险评估模型;
S43、获取各个所述监测区域的所述风险源数据的风险概率,并进行解模糊化处理与推理计算确定其对应的风险等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310605934.7A CN116341919B (zh) | 2023-05-26 | 2023-05-26 | 一种数据与模型联合驱动的安全风险评估预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310605934.7A CN116341919B (zh) | 2023-05-26 | 2023-05-26 | 一种数据与模型联合驱动的安全风险评估预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116341919A CN116341919A (zh) | 2023-06-27 |
CN116341919B true CN116341919B (zh) | 2023-09-12 |
Family
ID=86893283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310605934.7A Active CN116341919B (zh) | 2023-05-26 | 2023-05-26 | 一种数据与模型联合驱动的安全风险评估预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341919B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117039863B (zh) * | 2023-08-09 | 2024-07-19 | 南京则鸣新能源技术有限公司 | 一种基于大数据分析的电力系统风险预测系统 |
CN116937575A (zh) * | 2023-09-14 | 2023-10-24 | 济南高品伟业信息科技有限公司 | 一种网格系统用的能源监控管理系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006343974A (ja) * | 2005-06-08 | 2006-12-21 | Chugoku Electric Power Co Inc:The | 電力流通設備用のリスク評価システム、リスク評価方法及びそのプログラム並びにその記録媒体 |
CN104021304A (zh) * | 2014-06-19 | 2014-09-03 | 山东大学 | 一种变压器在线监测装置安装优先级评估方法 |
CN107103548A (zh) * | 2011-11-17 | 2017-08-29 | 阿里巴巴集团控股有限公司 | 网络行为数据的监控方法和系统以及风险监控方法和系统 |
CN113420992A (zh) * | 2021-06-25 | 2021-09-21 | 国网山东省电力公司汶上县供电公司 | 一种电力系统网络风险评估方法与系统 |
CN113822533A (zh) * | 2021-08-23 | 2021-12-21 | 广西电网有限责任公司电力科学研究院 | 基于实时事件驱动的风险评估量化模型构建方法及系统 |
US11283824B1 (en) * | 2019-02-05 | 2022-03-22 | Cytellix Corporation | Real-time cybersecurity status system with event ticker |
CN114861973A (zh) * | 2022-03-24 | 2022-08-05 | 三峡大学 | 一种计及多源因素的风力发电系统风险评估方法 |
CN115659774A (zh) * | 2022-09-02 | 2023-01-31 | 武汉大学 | 一种融合机器学习的大坝风险贝叶斯网络模型建模方法 |
-
2023
- 2023-05-26 CN CN202310605934.7A patent/CN116341919B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006343974A (ja) * | 2005-06-08 | 2006-12-21 | Chugoku Electric Power Co Inc:The | 電力流通設備用のリスク評価システム、リスク評価方法及びそのプログラム並びにその記録媒体 |
CN107103548A (zh) * | 2011-11-17 | 2017-08-29 | 阿里巴巴集团控股有限公司 | 网络行为数据的监控方法和系统以及风险监控方法和系统 |
CN104021304A (zh) * | 2014-06-19 | 2014-09-03 | 山东大学 | 一种变压器在线监测装置安装优先级评估方法 |
US11283824B1 (en) * | 2019-02-05 | 2022-03-22 | Cytellix Corporation | Real-time cybersecurity status system with event ticker |
CN113420992A (zh) * | 2021-06-25 | 2021-09-21 | 国网山东省电力公司汶上县供电公司 | 一种电力系统网络风险评估方法与系统 |
CN113822533A (zh) * | 2021-08-23 | 2021-12-21 | 广西电网有限责任公司电力科学研究院 | 基于实时事件驱动的风险评估量化模型构建方法及系统 |
CN114861973A (zh) * | 2022-03-24 | 2022-08-05 | 三峡大学 | 一种计及多源因素的风力发电系统风险评估方法 |
CN115659774A (zh) * | 2022-09-02 | 2023-01-31 | 武汉大学 | 一种融合机器学习的大坝风险贝叶斯网络模型建模方法 |
Non-Patent Citations (1)
Title |
---|
一种基于贝叶斯理论的软件可靠度评估方法;许金超;曾国荪;王伟;;同济大学学报(自然科学版)(07);第1102-1105+1110页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116341919A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116341919B (zh) | 一种数据与模型联合驱动的安全风险评估预警方法 | |
Xie et al. | A review of machine learning applications in power system resilience | |
Nan et al. | A quantitative method for assessing resilience of interdependent infrastructures | |
CN104115077B (zh) | 主机代管电气架构 | |
CN107220775B (zh) | 一种考虑信息系统作用的有源配电网多视角协同脆弱性评估方法 | |
CN112713649B (zh) | 一种基于极限学习机的电力设备剩余寿命预测方法 | |
CN103679296A (zh) | 基于态势感知的电网安全风险评估方法和模型 | |
CN103793853A (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
CN105488344A (zh) | 一种配电设备健康指数通用评价方法 | |
CN111860943A (zh) | 基于数值气象数据与机器学习的电网故障预测方法及系统 | |
CN102663522B (zh) | 电网在线风险评估方法 | |
CN116455085A (zh) | 一种电池储能电站智能监控系统 | |
Feng et al. | Optimization method with prediction-based maintenance strategy for traction power supply equipment based on risk quantification | |
JP2022115061A (ja) | 気象関連架空配電線路故障オンライン予測 | |
CN115642706A (zh) | 一种电网内配电负荷监控系统 | |
Amini et al. | Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings | |
CN112001569A (zh) | 一种基于多电压等级故障下的电网运行风险分析方法 | |
CN116520739A (zh) | 一种基于多智能体的智慧供热系统自愈控制平台及方法 | |
CN117498406A (zh) | 一种云边端协同的储能电站管理系统和方法 | |
Atrigna et al. | A machine learning approach to fault prediction of power distribution grids under heatwaves | |
Sun et al. | A multi-model-integration-based prediction methodology for the spatiotemporal distribution of vulnerabilities in integrated energy systems under the multi-type, imbalanced, and dependent input data scenarios | |
CN115775107A (zh) | 一种考虑连锁故障的电网信息物理系统风险评估方法 | |
CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
CN110163385B (zh) | 机场多平台多设备复杂系统健康管理方法 | |
Huang et al. | Prediction algorithm for power outage areas of affected customers based on CNN-LSTM |
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 |