CN116882756B - 基于区块链的电力安全管控方法 - Google Patents
基于区块链的电力安全管控方法 Download PDFInfo
- Publication number
- CN116882756B CN116882756B CN202310963053.2A CN202310963053A CN116882756B CN 116882756 B CN116882756 B CN 116882756B CN 202310963053 A CN202310963053 A CN 202310963053A CN 116882756 B CN116882756 B CN 116882756B
- Authority
- CN
- China
- Prior art keywords
- data
- power
- electric power
- safety control
- power safety
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012795 verification Methods 0.000 claims abstract description 54
- 230000000903 blocking effect Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000007726 management method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 25
- 238000004140 cleaning Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 14
- 238000013058 risk prediction model Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 18
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及区块链技术领域,尤其涉及一种基于区块链的电力安全管控方法。该方法包括以下步骤:构建电力安全管控智能合约,并根据电力安全管控智能合约构建电力安全管控区块链;获取电力资产基础数据,并对电力资产基础数据进行安全管控验证,从而获取电力安全管控验证数据;对电力安全管控验证数据进行电力安全风险预测,从而获取电力风险预测报告数据;对电力安全管控验证数据以及电力风险预测报告数据进行数据加密与分块,从而获取电力安全管控数据;将电力安全管控数据通过电力安全管控智能合约加入电力安全管控区块链。本发明实现对电力安全管控的全过程监控,从而实现对电力系统的全面监管。
Description
技术领域
本发明涉及区块链技术领域,尤其涉及一种基于区块链的电力安全管控方法。
背景技术
区块链是一种分布式数据库技术,主要特点是通过去中心化和加密保护的方式来保证数据的完整性和安全性。在区块链中,每一个新的数据记录或者称为"区块"都会包含上一个区块的哈希值,因此形成了一个每个区块都连接到前一个区块的链条,即“区块链”。这种设计使得一旦数据被记录在区块链上,就无法被修改或删除,从而提供了极高的数据安全性。电力安全管控方法为采用物联网或者互联网技术进行实时监控电力数据的安全状况,以实现预防、治理以及维护的电力安全任务。随着大数据和云计算技术的应用,电力系统产生的数据越来越多,如何保证这些数据的安全存储、传输和使用成为了一大挑战。
发明内容
本发明为解决上述技术问题,提出了一种基于区块链的电力安全管控方法,以解决至少一个上述技术问题。
本申请提供了一种基于区块链的电力安全管控方法,包括以下步骤:
步骤S1:构建电力安全管控智能合约,并根据电力安全管控智能合约构建电力安全管控区块链;
步骤S2:获取电力资产基础数据,并对电力资产基础数据进行安全管控验证,从而获取电力安全管控验证数据;
步骤S3:对电力安全管控验证数据进行电力安全风险预测,从而获取电力风险预测报告数据;
步骤S4:对电力安全管控验证数据以及电力风险预测报告数据进行数据加密与分块,从而获取电力安全管控数据;
步骤S5:将电力安全管控数据通过电力安全管控智能合约加入电力安全管控区块链。
本发明中采用区块链技术,数据在存储和传输过程中都会被加密,有效防止数据被篡改或被非法访问,保护电力安全管控数据的安全性。区块链的公开性和不可篡改性提供了极高的数据透明度,使得所有电力安全管控操作都可以被有效追踪和审计。通过智能合约,电力安全管控操作可以被自动化,减少人工操作,提升工作效率。通过实时获取电力安全管控验证数据,可以实时进行电力安全风险预测,帮助电力公司及时发现并防止安全风险,保证电力系统的正常运行。将电力安全管控数据通过电力安全管控智能合约加入电力安全管控区块链,可以实现对电力安全管控的全过程监控,从而实现对电力系统的全面监管。这种基于区块链的电力安全管控方法结合了区块链技术的优势和电力系统安全管控的需求,有效提升了电力系统的安全管控能力,有助于保护电力系统的安全稳定运行。
优选地,步骤S1具体为:
步骤S11:获取电力安全管控需求数据;
步骤S12:对电力安全管控需求数据进行需求分析并交互逻辑提取,从而获取电力安全管控交互数据;
步骤S13:根据电力安全管控交互数据构建电力安全管控智能合约;
步骤S14:根据电力安全管控智能合约构建电力安全管控区块链。
本发明中步骤S11和步骤S12允许对电力安全管控的需求进行深入理解和分析,从而可以在构建智能合约和区块链时满足电力安全管控的特定需求,增强了方法的适用性和效果。步骤S13通过智能合约,实现了电力安全管控的自动执行和监控,大大提高了管控效率,减轻了人工负担。步骤S14通过区块链技术,确保电力安全管控的数据不可篡改且透明,有助于提高电力安全管控的可靠性和公信力。整个步骤S1的设计均考虑到不同电力系统的安全管控需求,具有很强的适应性和灵活性,能够有效应对各种电力安全管控情境。利用区块链和智能合约技术,构建的电力安全管控方案可以兼容多种硬件和软件平台,增加了其实用性。
优选地,步骤S12具体为:
步骤S121:对电力安全管控需求数据进行聚类分析,从而获取电力安全管控需求分类数据;
步骤S122:对电力安全管控需求分类数据进行需求优先级处理,从而获取电力安全管控优先级需求数据;
步骤S123:对电力安全管控优先级需求数据进行需求模型提取,从而获取电力安全管控需求模型数据;
步骤S124:对电力安全管控需求模型数据进行角色数据以及角色动作关系提取,从而获取电力安全管控交互数据。
本发明中通过步骤S121,对电力安全管控需求数据进行聚类分析,可以清晰地将各类需求分别处理,提高了需求处理的效率和准确性。步骤S122的需求优先级处理,有助于确保更关键、紧急的电力安全管控需求得到优先解决,这有助于在有限的资源下提高电力安全的水平。步骤S123的需求模型提取,将具体的需求抽象化为模型,能够更好地理解需求,并且在未来的需求处理中提供了参考,提高了处理的效率。步骤S124,通过角色数据以及角色动作关系提取,明确了电力安全管控的各个角色及其交互行为,有利于构建更为精确的智能合约,减少执行中的误差。整个步骤S12的设计,允许对各种类型的电力安全管控需求进行处理,具有强大的适应性,能够适应多变的电力环境。通过精细化的需求处理,可以明确地了解到电力安全管控的需求和优先级,从而更有效地分配资源和制定策略,提高了电力安全管控的整体效率。
优选地,步骤S122中需求优先级处理通过需求优先级计算公式进行计算,其中需求优先级计算公式具体为:
P为需求优先级指数,α为电力安全管控需求分类数据的需求紧急程度项的权重项,A为电力安全管控需求分类数据的需求紧急程度项,β为电力安全管控需求分类数据的影响范围项的权重项,B为电力安全管控需求分类数据的影响范围项,γ为电力安全管控需求分类数据的需求复杂度项的权重项,C为电力安全管控需求分类数据的需求复杂度项,δ为电力安全管控需求分类数据的需求可替代项,DT为电力安全管控需求分类数据的需求稳定性项的转置项,W为电力安全管控需求分类数据的权重矩阵,D为电力安全管控需求分类数据的需求稳定性项,ε为电力安全管控需求分类数据的满足度,σ为电力安全管控需求分类数据的变化趋势项。
本发明构造了一种需求优先级计算公式,该公式将各需求属性项和权重项有机地结合在一起,从而更准确地计算需求优先级。α、β、γ等权重与各自对应的需求属性项(如A、B、C等)相乘,表示了各需求属性对优先级的贡献。权重越大,对应的需求属性对优先级的影响就越大。对需求复杂度项C进行自然对数运算,这是为了缓解复杂度对优先级的过大影响,因为复杂度往往有指数增长的特性。对需求稳定性项D进行正弦运算,这可能是因为需求稳定性在某个范围内增加对优先级的贡献是正面的,但超过这个范围可能就变成负面的。在所有需求属性项的总和上取平方根,是为了缓解各属性项总和对优先级的过大影响,使得优先级不会随着需求属性的线性增长而指数增长。由于需求的属性可能随着时间的推移而发生变化,因此通过这个公式,我们可以在需求属性发生变化时调整优先级。例如,如果需求的满足度ε增加,那么优先级P就可能降低。
优选地,步骤S2具体为:
步骤S21:获取电力资产基础数据,其中电力资产基础数据包括电力消耗数据、电力价格数据、电力储量数据、电力耗损数据以及电力产量数据;
步骤S22:对电力资产基础数据进行电力资产数据清洗,从而获取电力资产清洗数据;
步骤S23:对电力资产清洗数据进行电力数据标准化,从而获取电力资产标准数据;
步骤S24:利用预设的电力资产安全性验证模型对电力资产标准数据进行安全性验证,从而获取电力安全管控验证数据。
本发明中通过对电力资产基础数据进行数据清洗(步骤S22),本发明能有效地消除数据中的噪声、异常值、重复项和缺失值等问题,从而提高了数据质量,减少了后续处理和分析的错误和偏差。通过对清洗后的数据进行标准化(步骤S23),本发明能使得不同的电力资产数据具有一致的度量标准,从而提高了数据的可比性,便于后续的数据处理和分析。通过使用预设的电力资产安全性验证模型对标准化的数据进行安全性验证(步骤S24),本发明能对电力资产的安全性进行准确的评估,从而及时发现和预防电力安全风险,保障电力系统的稳定运行。整个步骤S2的流程清晰有序,实施起来操作方便,能有效地提高电力安全管控的工作效率,减轻人员的工作负担。因为所有的操作步骤和结果都能留下数据痕迹,因此本发明对电力安全管控的监管和审计工作提供了便利。
优选地,电力资产数据清洗通过电力资产数据清洗计算公式进行计算处理,其中电力资产数据清洗计算公式具体为:
Y为电力资产清洗数据,θ为电力资产基础数据的调整项,k为电力资产基础数据,θ为实时调整系数的权重系数,Z为电力资产基础数据对应的实时调整系数,为降噪幅度,i为电力资产基础数据的序次项,N为电力资产基础数据的数量数据,Fi为第i个的电力资产基础数据对应的第一影响系数,Gi为第i个的电力资产基础数据对应的第二影响系数,μ为噪声系数的误差调整项,H为电力资产基础数据的噪声系数。
本发明构造了一种电力资产数据清洗计算公式,该公式可以显著提高电力资产数据清洗的效果和精度,为后续的电力资产管理和决策提供了更准确和有效的数据支持。通过θk项,可以对原始电力资产基础数据k进行校正,调整因素θ可以根据实际情况设定,以修正可能存在的数据偏差或错误。通过项,本公式可以根据电力资产基础数据的影响系数和噪声系数进行降噪处理,降低数据的随机噪声影响,提高数据的质量。通过整个公式的综合计算,可以根据电力资产基础数据的不同特性和影响因素,生成对应的电力资产清洗数据Y,这些数据更准确地反映了电力资产的真实状态和特性。
优选地,步骤S24中电力资产安全性验证模型的构建步骤具体为:
步骤S201:获取历史电力安全事件数据;
步骤S202:对历史电力安全事件数据进行数据预处理,从而获取历史电力安全事件预处理数据;
步骤S203:对历史电力安全事件预处理数据进行特征提取,从而获取历史电力安全事件特征数据;
步骤S204:对历史电力安全事件特征数据进行卷积计算,从而获取历史电力安全事件卷积层数据;
步骤S205:对历史电力安全事件特征数据进行池化计算,从而获取历史电力安全事件池化层数据;
步骤S206:对历史电力安全事件特征数据进行全连接计算,从而获取历史电力安全事件全连接层数据;
步骤S207:对历史电力安全事件全连接层数据进行权重计算并通过历史电力安全事件数据的标注数据进行标注,从而获取电力资产安全性初级验证模型;
步骤S208:对电力资产安全性初级验证模型进行反向传播优化处理,从而获取电力资产安全性验证模型。
具体地,例如反向传播算法首先在输出层计算预测结果与真实结果的误差,然后根据误差的大小以及激活函数的导数,计算出每个神经元的误差。这个误差将会传播到前一层,对前一层的神经元进行同样的计算,这样一直计算到输入层。在误差反向传播的过程中,每个神经元的权重都会根据它对应的误差进行调整,使得预测结果更接近真实结果。
本发明中历史电力安全事件数据经过数据预处理和特征提取,可以更好地提取出反映电力安全状况的关键信息,从而提高模型的精度和效率。通过卷积、池化和全连接计算,能有效提取和压缩数据特征,减小计算复杂度,同时保持数据的关键信息,从而提高模型的性能。通过权重计算和标注,可以使模型能更好地捕捉到数据特征和内在关联。反向传播优化处理能进一步提高模型的泛化能力,从而提高模型在未知数据上的预测性能。该方法可以基于历史电力安全事件数据,预测电力资产可能出现的安全问题,从而帮助电力公司更好地进行电力安全管控,提高电力系统的稳定性和安全性。将电力安全管控数据通过电力安全管控智能合约加入电力安全管控区块链,能保证数据的完整性、可追溯性和不可篡改性,增强了电力安全管控数据的信任度和可靠性。
优选地,历史电力安全事件特征数据包括电力事件安全性特征数据以及设备使用特征数据,步骤S203具体为:
步骤S2031:对历史电力安全事件预处理数据进行电力事件安全性特征提取以及设备使用特征提取,从而获取电力事件安全性初级特征数据以及设备使用初级特征数据;
步骤S2032:对电力事件安全性初级特征数据以及设备使用初级特征数据进行最小损失特征选择,从而获取电力事件安全性特征选择数据以及设备使用初级特征选择数据;
步骤S2033:对电力事件安全性特征选择数据以及设备使用初级特征选择数据进行特征构造,从而获取电力事件安全性特征数据以及设备使用初级特征数据。
本发明中通过区分电力事件安全性特征和设备使用特征进行提取,更深入细致地获取了相关数据特征,提升了模型对电力事件和设备使用行为的理解和预测精度。特征选择阶段,采用最小损失特征选择策略,能有效减少无关或重复特征对模型的干扰,从而提升了模型的训练效率和预测精度。在获取到关键特征后,进行特征构造可以生成更具代表性和区分度的特征,进一步提升了模型的性能。通过这样的特征提取和选择,电力公司可以更准确地理解和预测电力事件的安全性和设备的使用状况,从而更有针对性地制定电力安全管控策略,提高电力系统的安全性和稳定性。
优选地,步骤S3具体为:
步骤S31:对电力安全管控验证数据进行电力设备风险性数据提取以及电力事件用途风险性数据提取,从而获取电力设备风险性数据以及电力事件用途风险性数据;
步骤S32:对电力设备风险性数据以及电力事件用途风险性数据通过深度学习算法进行电力安全风险预测,从而获取电力风险预测报告数据。
本发明中通过提取电力设备风险性数据和电力事件用途风险性数据,可以更全面、细致地评估电力系统的安全风险,提高风险评估的准确性。应用深度学习算法对电力安全风险进行预测,可以发现并学习数据中的深层次模式和关联,从而大大提升风险预测的准确度和可靠性。通过风险预测,可以提前发现可能的安全风险,使得电力公司有足够的时间进行风险防范和应对,从而大大减少安全事故的发生可能性。通过这一步骤,电力公司可以更早地发现并处理电力安全风险,从而提高整个电力系统的安全性和稳定性。
优选地,电力风险预测报告数据包括第一电力风险预测报告数据以及第二电力风险预测报告数据,步骤S32具体为:
对电力设备风险性数据以及电力事件用途风险性数据通过预设的专家规则进行第一电力安全风险预测,从而获取第一电力风险预测报告数据;
利用预设的电力安全风险预测模型对电力设备风险性数据以及电力事件用途风险性数据进行第二电力安全风险预测,从而获取第二电力风险预测报告数据,其中电力安全风险预测模型为根据预存在本地的历史电力安全风险数据进行深度学习训练生成。
本发明中通过采用预设专家规则和电力安全风险预测模型的双重预测模式,既利用了电力领域专家的经验知识,又利用了深度学习模型的强大处理和学习能力。这两种方法相辅相成,可以进一步提高电力安全风险预测的准确性。电力安全风险预测模型的训练使用了历史电力安全风险数据,这使得预测模型能够在学习中累积和总结过往的风险模式和经验,从而对未来的风险做出更为准确的预测。通过准确的风险预测,能够提前识别和处理电力系统的安全风险,从而显著提高电力系统的安全性和稳定性,防止电力安全事故的发生。
本发明的有益效果在于:通过区块链技术,本发明实现了数据的加密和分块,确保了电力安全管控数据的安全性。由于区块链的分布式特性,数据不会因单一节点的故障而丢失,提高了数据的可靠性。此外,区块链的不可篡改性也增强了数据的真实性和可追溯性。通过深度学习进行电力安全风险预测,本发明能更精准地预测电力设备的风险,从而提前预防可能出现的问题。此外,基于智能合约的电力安全管控区块链能自动执行特定的操作,如在风险预测超过阈值时自动发出警告,从而提高了电力安全管控的效率。所有电力安全管控的操作都在区块链上记录并公开,任何参与者都能查看到完整的管控过程和结果,从而实现了电力安全管控的透明性。此外,所有的操作都可以追溯到发起人,提高了责任人的确定性。通过共享区块链,不同部门或机构可以共享电力安全管控的数据和信息,提升了协同工作的效率。同时,基于智能合约,各参与者可以按照预设的规则自动执行操作,降低了协作的复杂性。通过利用深度学习算法进行电力风险预测,本发明实现了电力安全管控的智能化。而基于智能合约的区块链技术,则使得电力安全管控的执行过程可以实现自动化,减轻了人工负担。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的基于区块链的电力安全管控方法的步骤流程图;
图2示出了一实施例的步骤S1的步骤流程图;
图3示出了一实施例的步骤S12的步骤流程图;
图4示出了一实施例的步骤S2的步骤流程图;
图5示出了一实施例的电力资产安全性验证模型构造方式的步骤流程图;
图6示出了一实施例的历史电力安全事件特征提取方法的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图6,本申请提供了一种基于区块链的电力安全管控方法,包括以下步骤:
步骤S1:构建电力安全管控智能合约,并根据电力安全管控智能合约构建电力安全管控区块链;
具体地,例如,通过编程语言(如Solidity)构建智能合约,智能合约可以定义电力系统的各种操作,例如,电力设备的维护、更换、电力交易。这些规则被编码为智能合约后,就可以被自动执行。之后,基于这些智能合约构建电力安全管控区块链,这个区块链用来存储所有与电力系统相关的数据和交易信息。
步骤S2:获取电力资产基础数据,并对电力资产基础数据进行安全管控验证,从而获取电力安全管控验证数据;
具体地,例如各种数据源获取电力资产的基础数据,如电力消耗数据、电力设备状态数据等。然后通过电力资产安全性验证模型进行验证,例如判断设备是否超出安全运行范围、电力消耗是否异常等,获取电力安全管控验证数据。
步骤S3:对电力安全管控验证数据进行电力安全风险预测,从而获取电力风险预测报告数据;
具体地,例如运用深度学习、机器学习或者统计学方法对电力安全管控验证数据进行风险预测,例如预测电力设备的故障概率、电力系统的安全风险,从而生成电力风险预测报告数据。
步骤S4:对电力安全管控验证数据以及电力风险预测报告数据进行数据加密与分块,从而获取电力安全管控数据;
具体地,例如将电力安全管控验证数据和电力风险预测报告数据进行加密处理,以确保数据的安全性和隐私性。之后将加密后的数据进行分块处理,即将大的数据集合分解为适合在区块链中存储的小的数据块。
步骤S5:将电力安全管控数据通过电力安全管控智能合约加入电力安全管控区块链。
具体地,例如将电力安全管控数据通过智能合约的形式写入到区块链中。智能合约可以自动执行数据的验证和更新,确保数据的一致性和完整性。这样,所有的电力安全管控数据都被安全、有效地记录在区块链中,便于进行追溯和管理。
本发明中采用区块链技术,数据在存储和传输过程中都会被加密,有效防止数据被篡改或被非法访问,保护电力安全管控数据的安全性。区块链的公开性和不可篡改性提供了极高的数据透明度,使得所有电力安全管控操作都可以被有效追踪和审计。通过智能合约,电力安全管控操作可以被自动化,减少人工操作,提升工作效率。通过实时获取电力安全管控验证数据,可以实时进行电力安全风险预测,帮助电力公司及时发现并防止安全风险,保证电力系统的正常运行。将电力安全管控数据通过电力安全管控智能合约加入电力安全管控区块链,可以实现对电力安全管控的全过程监控,从而实现对电力系统的全面监管。这种基于区块链的电力安全管控方法结合了区块链技术的优势和电力系统安全管控的需求,有效提升了电力系统的安全管控能力,有助于保护电力系统的安全稳定运行。
优选地,步骤S1具体为:
步骤S11:获取电力安全管控需求数据;
具体地,例如从各种来源获取电力安全管控的需求数据,例如从电力设备的操作员、电力系统的管理人员、电力设备的生产商。这些需求数据可能包括电力设备的安全操作要求、电力系统的安全规定、电力安全的法规。
步骤S12:对电力安全管控需求数据进行需求分析并交互逻辑提取,从而获取电力安全管控交互数据;
具体地,例如通过分析电力安全管控的需求数据,理解其涵盖的所有需求,并根据这些需求提取电力安全管控的交互逻辑。例如,设备操作员在某种情况下需要进行何种操作,或者在某种情况下应当向哪些人报告。
具体地,例如需求分析是对获取的需求数据进行深度理解和解析的过程。通过需求分析,理解这些需求背后的目的和意图,以及它们之间的关系和逻辑。例如,通过NLP技术进行处理,从而得到操作参数向量,以发现某个操作规程是为了防止某种具体的安全风险,或者某个应急预案是在某种具体的异常情况下启动的。这些理解和解析的结果就构成了需求分析结果。交互逻辑提取是基于需求分析结果,抽象和归纳出电力安全管控中的交互逻辑。交互逻辑是描述在电力安全管控中,各个参与者(例如设备、操作员、管理者等)在各种情况下应当如何互动的规则。例如,在发现设备异常时,设备应当自动停机并向操作员报警;操作员收到报警后应当立即检查设备并向管理者报告;管理者收到报告后应当指导操作员进行处理或启动应急预案等。这些交互逻辑是电力安全管控智能合约的重要内容。
步骤S13:根据电力安全管控交互数据构建电力安全管控智能合约;
具体地,例如根据前一步获取的电力安全管控交互数据,可以编写智能合约。这个智能合约可能包括各种规则,例如在发生某种情况时自动执行某种操作,或者在某种情况下自动向某些人发送报告。
步骤S14:根据电力安全管控智能合约构建电力安全管控区块链。
具体地,例如根据已经编写的智能合约,可以构建电力安全管控的区块链。区块链中的每个区块可能包括一组电力安全管控的数据,以及一个指向前一个区块的链接,从而形成一个链式的数据结构。
本发明中步骤S11和步骤S12允许对电力安全管控的需求进行深入理解和分析,从而可以在构建智能合约和区块链时满足电力安全管控的特定需求,增强了方法的适用性和效果。步骤S13通过智能合约,实现了电力安全管控的自动执行和监控,大大提高了管控效率,减轻了人工负担。步骤S14通过区块链技术,确保电力安全管控的数据不可篡改且透明,有助于提高电力安全管控的可靠性和公信力。整个步骤S1的设计均考虑到不同电力系统的安全管控需求,具有很强的适应性和灵活性,能够有效应对各种电力安全管控情境。利用区块链和智能合约技术,构建的电力安全管控方案可以兼容多种硬件和软件平台,增加了其实用性。
优选地,步骤S12具体为:
步骤S121:对电力安全管控需求数据进行聚类分析,从而获取电力安全管控需求分类数据;
具体地,例如使用聚类算法(例如K-means算法、层次聚类算法)对电力安全管控需求数据进行聚类分析,这样可以将相似的需求分在同一类中。例如,可能会将与电力设备操作有关的需求分为一类,将与电力设备维护有关的需求分为另一类。
步骤S122:对电力安全管控需求分类数据进行需求优先级处理,从而获取电力安全管控优先级需求数据;
具体地,例如根据各类需求的重要性或紧急程度对它们进行优先级排序。例如,可能会将与人员安全有关的需求设置为最高优先级,将与设备效率有关的需求设置为较低优先级。
步骤S123:对电力安全管控优先级需求数据进行需求模型提取,从而获取电力安全管控需求模型数据;
具体地,例如使用模型提取方法(例如决策树、关联规则等)对优先级需求数据进行分析,从而提取需求模型。例如,可能会提取出一个模型,该模型描述了在某种情况下应优先考虑哪些安全需求。
步骤S124:对电力安全管控需求模型数据进行角色数据以及角色动作关系提取,从而获取电力安全管控交互数据。
具体地,例如分析需求模型数据,提取出涉及的角色以及角色之间的动作关系。例如,可能会提取出“设备操作员”、“设备维护员”的角色,以及他们之间的动作关系,如“设备操作员”在设备出现故障时需要向“设备维护员”报告。
本发明中通过步骤S121,对电力安全管控需求数据进行聚类分析,可以清晰地将各类需求分别处理,提高了需求处理的效率和准确性。步骤S122的需求优先级处理,有助于确保更关键、紧急的电力安全管控需求得到优先解决,这有助于在有限的资源下提高电力安全的水平。步骤S123的需求模型提取,将具体的需求抽象化为模型,能够更好地理解需求,并且在未来的需求处理中提供了参考,提高了处理的效率。步骤S124,通过角色数据以及角色动作关系提取,明确了电力安全管控的各个角色及其交互行为,有利于构建更为精确的智能合约,减少执行中的误差。整个步骤S12的设计,允许对各种类型的电力安全管控需求进行处理,具有强大的适应性,能够适应多变的电力环境。通过精细化的需求处理,可以明确地了解到电力安全管控的需求和优先级,从而更有效地分配资源和制定策略,提高了电力安全管控的整体效率。
优选地,步骤S122中需求优先级处理通过需求优先级计算公式进行计算,其中需求优先级计算公式具体为:
P为需求优先级指数,α为电力安全管控需求分类数据的需求紧急程度项的权重项,A为电力安全管控需求分类数据的需求紧急程度项,β为电力安全管控需求分类数据的影响范围项的权重项,B为电力安全管控需求分类数据的影响范围项,γ为电力安全管控需求分类数据的需求复杂度项的权重项,C为电力安全管控需求分类数据的需求复杂度项,δ为电力安全管控需求分类数据的需求可替代项,DT为电力安全管控需求分类数据的需求稳定性项的转置项,W为电力安全管控需求分类数据的权重矩阵,D为电力安全管控需求分类数据的需求稳定性项,ε为电力安全管控需求分类数据的满足度,σ为电力安全管控需求分类数据的变化趋势项。
本发明构造了一种需求优先级计算公式,该公式将各需求属性项和权重项有机地结合在一起,从而更准确地计算需求优先级。α、β、γ等权重与各自对应的需求属性项(如A、B、C等)相乘,表示了各需求属性对优先级的贡献。权重越大,对应的需求属性对优先级的影响就越大。对需求复杂度项C进行自然对数运算,这是为了缓解复杂度对优先级的过大影响,因为复杂度往往有指数增长的特性。对需求稳定性项D进行正弦运算,这可能是因为需求稳定性在某个范围内增加对优先级的贡献是正面的,但超过这个范围可能就变成负面的。在所有需求属性项的总和上取平方根,是为了缓解各属性项总和对优先级的过大影响,使得优先级不会随着需求属性的线性增长而指数增长。由于需求的属性可能随着时间的推移而发生变化,因此通过这个公式,我们可以在需求属性发生变化时调整优先级。例如,如果需求的满足度ε增加,那么优先级P就可能降低。
优选地,步骤S2具体为:
步骤S21:获取电力资产基础数据,其中电力资产基础数据包括电力消耗数据、电力价格数据、电力储量数据、电力耗损数据以及电力产量数据;
具体地,例如通过与电力相关的各种系统或接口(例如智能电网系统、电力市场交易系统、电力设备监控系统等)获取电力资产基础数据。例如,电力消耗数据可以通过智能电表获取,电力价格数据可以通过电力市场交易系统获取。
步骤S22:对电力资产基础数据进行电力资产数据清洗,从而获取电力资产清洗数据;
具体地,例如通过数据清洗方法(例如异常值检测、缺失值填充、噪声数据去除)对电力资产基础数据进行清洗。例如,如果电力消耗数据中存在超过一定阈值的异常值,可能会将其视为错误数据进行剔除或者用平均值等进行填充。
步骤S23:对电力资产清洗数据进行电力数据标准化,从而获取电力资产标准数据;
具体地,例如通过数据标准化方法(例如Min-Max标准化、Z-score标准化)对电力资产清洗数据进行标准化,使得不同范围的数据可以放在同一尺度上进行比较。例如,电力价格数据可能会通过Min-Max标准化转化到[0,1]的范围内。
步骤S24:利用预设的电力资产安全性验证模型对电力资产标准数据进行安全性验证,从而获取电力安全管控验证数据。
具体地,例如使用预训练的模型(例如神经网络模型、决策树模型等)对电力资产标准数据进行安全性验证。例如,模型可能会对电力消耗数据、电力价格数据的各种数据进行综合分析,以判断电力系统是否存在安全风险。
本发明中通过对电力资产基础数据进行数据清洗(步骤S22),本发明能有效地消除数据中的噪声、异常值、重复项和缺失值等问题,从而提高了数据质量,减少了后续处理和分析的错误和偏差。通过对清洗后的数据进行标准化(步骤S23),本发明能使得不同的电力资产数据具有一致的度量标准,从而提高了数据的可比性,便于后续的数据处理和分析。通过使用预设的电力资产安全性验证模型对标准化的数据进行安全性验证(步骤S24),本发明能对电力资产的安全性进行准确的评估,从而及时发现和预防电力安全风险,保障电力系统的稳定运行。整个步骤S2的流程清晰有序,实施起来操作方便,能有效地提高电力安全管控的工作效率,减轻人员的工作负担。因为所有的操作步骤和结果都能留下数据痕迹,因此本发明对电力安全管控的监管和审计工作提供了便利。
优选地,电力资产数据清洗通过电力资产数据清洗计算公式进行计算处理,其中电力资产数据清洗计算公式具体为:
Y为电力资产清洗数据,θ为电力资产基础数据的调整项,k为电力资产基础数据,θ为实时调整系数的权重系数,Z为电力资产基础数据对应的实时调整系数,为降噪幅度,i为电力资产基础数据的序次项,N为电力资产基础数据的数量数据,Fi为第i个的电力资产基础数据对应的第一影响系数,Gi为第i个的电力资产基础数据对应的第二影响系数,μ为噪声系数的误差调整项,H为电力资产基础数据的噪声系数。
本发明构造了一种电力资产数据清洗计算公式,该公式可以显著提高电力资产数据清洗的效果和精度,为后续的电力资产管理和决策提供了更准确和有效的数据支持。通过θk项,可以对原始电力资产基础数据k进行校正,调整因素θ可以根据实际情况设定,以修正可能存在的数据偏差或错误。通过项,本公式可以根据电力资产基础数据的影响系数和噪声系数进行降噪处理,降低数据的随机噪声影响,提高数据的质量。通过整个公式的综合计算,可以根据电力资产基础数据的不同特性和影响因素,生成对应的电力资产清洗数据Y,这些数据更准确地反映了电力资产的真实状态和特性。
优选地,步骤S24中电力资产安全性验证模型的构建步骤具体为:
步骤S201:获取历史电力安全事件数据;
具体地,例如从电力安全管理系统、电力故障数据库等来源获取历史电力安全事件数据。这些数据可能包含故障发生的时间、地点、电力设备信息、故障类型。
步骤S202:对历史电力安全事件数据进行数据预处理,从而获取历史电力安全事件预处理数据;
具体地,例如使用数据预处理技术对历史电力安全事件数据进行清洗和格式化。例如,可能需要去除无效或者错误的记录、填充缺失的值、对分类变量进行编码。
步骤S203:对历史电力安全事件预处理数据进行特征提取,从而获取历史电力安全事件特征数据;
具体地,例如通过特征工程方法从历史电力安全事件预处理数据中提取有用的特征。例如,可能会从电力设备信息中提取设备类型、年龄的特征;从故障类型中提取故障严重性的特征。
步骤S204:对历史电力安全事件特征数据进行卷积计算,从而获取历史电力安全事件卷积层数据;
具体地,例如使用卷积神经网络(CNN)中的卷积层对历史电力安全事件特征数据进行转换,从而抽取更高级别的特征。卷积层可以有效处理具有局部相关性的数据。
步骤S205:对历史电力安全事件特征数据进行池化计算,从而获取历史电力安全事件池化层数据;
具体地,例如使用卷积神经网络(CNN)中的池化层对历史电力安全事件特征数据进行降维,以减小计算量,并且增强模型的鲁棒性。
步骤S206:对历史电力安全事件特征数据进行全连接计算,从而获取历史电力安全事件全连接层数据;
具体地,例如使用神经网络中的全连接层对历史电力安全事件特征数据进行转换,使每个特征都能与其他所有特征进行交互。
步骤S207:对历史电力安全事件全连接层数据进行权重计算并通过历史电力安全事件数据的标注数据进行标注,从而获取电力资产安全性初级验证模型;
具体地,例如通过优化算法(例如梯度下降法)来学习每个特征的权重,然后使用这些权重来预测历史电力安全事件数据的标签,从而构建电力资产安全性初级验证模型。
步骤S208:对电力资产安全性初级验证模型进行反向传播优化处理,从而获取电力资产安全性验证模型。
具体地,例如使用神经网络中的反向传播算法对电力资产安全性初级验证模型进行优化,以最小化预测错误,从而得到最终的电力资产安全性验证模型。
本发明中历史电力安全事件数据经过数据预处理和特征提取,可以更好地提取出反映电力安全状况的关键信息,从而提高模型的精度和效率。通过卷积、池化和全连接计算,能有效提取和压缩数据特征,减小计算复杂度,同时保持数据的关键信息,从而提高模型的性能。通过权重计算和标注,可以使模型能更好地捕捉到数据特征和内在关联。反向传播优化处理能进一步提高模型的泛化能力,从而提高模型在未知数据上的预测性能。该方法可以基于历史电力安全事件数据,预测电力资产可能出现的安全问题,从而帮助电力公司更好地进行电力安全管控,提高电力系统的稳定性和安全性。将电力安全管控数据通过电力安全管控智能合约加入电力安全管控区块链,能保证数据的完整性、可追溯性和不可篡改性,增强了电力安全管控数据的信任度和可靠性。
优选地,历史电力安全事件特征数据包括电力事件安全性特征数据以及设备使用特征数据,步骤S203具体为:
步骤S2031:对历史电力安全事件预处理数据进行电力事件安全性特征提取以及设备使用特征提取,从而获取电力事件安全性初级特征数据以及设备使用初级特征数据;
具体地,例如从历史电力安全事件预处理数据中提取电力事件安全性相关的特征,如事件发生的时间、地点、类型,会提取与设备使用相关的特征,如设备的型号、使用时长、维护历史。
步骤S2032:对电力事件安全性初级特征数据以及设备使用初级特征数据进行最小损失特征选择,从而获取电力事件安全性特征选择数据以及设备使用初级特征选择数据;
具体地,例如应用特征选择方法(例如最小损失特征选择法)来确定哪些特征对于电力事件安全性和设备使用的预测最为重要。例如,发现设备的维护历史与电力事件的安全性有强烈的关联,因此选择该特征为主要特征。
具体地,例如使用贪心搜索进行特征选择:在这个过程中,首先将所有特征独立地加入到模型中,观察哪个特征能够最大程度地减少预测损失。然后,将这个特征固定,再将其他特征独立地加入到模型中,观察哪个特征能进一步减少预测损失。重复这个过程,直到添加新特征不能进一步减少预测损失为止。
具体地,例如使用遗传算法进行特征选择:遗传算法是一种受自然选择机制启发的优化方法,能够在大规模搜索空间中找到近似最优解。在特征选择中,每个特征组合可以看作一个染色体,预测损失可以看作适应度函数。遗传算法通过反复的选择、交叉(即结合两个染色体的部分特征生成新染色体)和变异(即随机改变染色体的部分特征)步骤,能够在多代中逐渐找到能使预测损失最小的特征组合。
步骤S2033:对电力事件安全性特征选择数据以及设备使用初级特征选择数据进行特征构造,从而获取电力事件安全性特征数据以及设备使用初级特征数据。
具体地,例如基于已选择的特征创建新的特征。例如,会将设备使用时长和维护历史结合起来,创建一个新的特征,如"维护频率"(即在特定使用时长内进行维护的次数)。通过特征构造,可以生成更具代表性和解释性的特征,从而提高模型的预测性能。
本发明中通过区分电力事件安全性特征和设备使用特征进行提取,更深入细致地获取了相关数据特征,提升了模型对电力事件和设备使用行为的理解和预测精度。特征选择阶段,采用最小损失特征选择策略,能有效减少无关或重复特征对模型的干扰,从而提升了模型的训练效率和预测精度。在获取到关键特征后,进行特征构造可以生成更具代表性和区分度的特征,进一步提升了模型的性能。通过这样的特征提取和选择,电力公司可以更准确地理解和预测电力事件的安全性和设备的使用状况,从而更有针对性地制定电力安全管控策略,提高电力系统的安全性和稳定性。
优选地,步骤S3具体为:
步骤S31:对电力安全管控验证数据进行电力设备风险性数据提取以及电力事件用途风险性数据提取,从而获取电力设备风险性数据以及电力事件用途风险性数据;
具体地,例如从电力安全管控验证数据中提取电力设备相关的风险性数据,例如设备的使用年限、维护频率、故障历史,提取与电力事件用途相关的风险性数据,例如电力消耗情况、电力需求波动、电力设备使用的峰值时段。
步骤S32:对电力设备风险性数据以及电力事件用途风险性数据通过深度学习算法进行电力安全风险预测,从而获取电力风险预测报告数据。
具体地,例如会使用深度学习算法(例如神经网络、卷积神经网络、循环神经网络等)对电力设备风险性数据以及电力事件用途风险性数据进行风险预测。模型可能会预测在一段特定时间内(例如未来一天、一周或一月)设备可能发生故障的风险,或者电力需求可能超过设备承载能力的风险。通过这种方式,可以获取到电力风险预测报告数据,为电力安全管控提供支持。
本发明中通过提取电力设备风险性数据和电力事件用途风险性数据,可以更全面、细致地评估电力系统的安全风险,提高风险评估的准确性。应用深度学习算法对电力安全风险进行预测,可以发现并学习数据中的深层次模式和关联,从而大大提升风险预测的准确度和可靠性。通过风险预测,可以提前发现可能的安全风险,使得电力公司有足够的时间进行风险防范和应对,从而大大减少安全事故的发生可能性。通过这一步骤,电力公司可以更早地发现并处理电力安全风险,从而提高整个电力系统的安全性和稳定性。
优选地,电力风险预测报告数据包括第一电力风险预测报告数据以及第二电力风险预测报告数据,步骤S32具体为:
对电力设备风险性数据以及电力事件用途风险性数据通过预设的专家规则进行第一电力安全风险预测,从而获取第一电力风险预测报告数据;
具体地,例如专家规则可能包括了电力设备的年龄、维护记录、生产商的信誉的各种因素,以及电力事件的特性,例如电力使用的需求量、供应稳定性。这些规则会结合电力设备风险性数据以及电力事件用途风险性数据,以某种逻辑或算法(例如决策树、规则引擎)进行运算,生成第一电力风险预测报告。例如,一个设备年龄超过10年,没有定期维护,生产商信誉较差,那么可能会得出该设备风险较高的结论。
利用预设的电力安全风险预测模型对电力设备风险性数据以及电力事件用途风险性数据进行第二电力安全风险预测,从而获取第二电力风险预测报告数据,其中电力安全风险预测模型为根据预存在本地的历史电力安全风险数据进行深度学习训练生成。
具体地,例如深度学习模型(如卷积神经网络、循环神经网络等)能够从大量的历史数据中学习到复杂的关联性,并据此预测未来可能发生的风险。例如,模型可能从历史数据中学习到,某个特定的设备制造商的设备在5年后的故障率显著上升,或者在特定的气候条件下,某些电力事件的风险会增加。通过这种方式,模型能够生成更准确、更具预见性的第二电力风险预测报告。
本发明中通过采用预设专家规则和电力安全风险预测模型的双重预测模式,既利用了电力领域专家的经验知识,又利用了深度学习模型的强大处理和学习能力。这两种方法相辅相成,可以进一步提高电力安全风险预测的准确性。电力安全风险预测模型的训练使用了历史电力安全风险数据,这使得预测模型能够在学习中累积和总结过往的风险模式和经验,从而对未来的风险做出更为准确的预测。通过准确的风险预测,能够提前识别和处理电力系统的安全风险,从而显著提高电力系统的安全性和稳定性,防止电力安全事故的发生。
本发明的有益效果在于:通过区块链技术,本发明实现了数据的加密和分块,确保了电力安全管控数据的安全性。由于区块链的分布式特性,数据不会因单一节点的故障而丢失,提高了数据的可靠性。此外,区块链的不可篡改性也增强了数据的真实性和可追溯性。通过深度学习进行电力安全风险预测,本发明能更精准地预测电力设备的风险,从而提前预防可能出现的问题。此外,基于智能合约的电力安全管控区块链能自动执行特定的操作,如在风险预测超过阈值时自动发出警告,从而提高了电力安全管控的效率。所有电力安全管控的操作都在区块链上记录并公开,任何参与者都能查看到完整的管控过程和结果,从而实现了电力安全管控的透明性。此外,所有的操作都可以追溯到发起人,提高了责任人的确定性。通过共享区块链,不同部门或机构可以共享电力安全管控的数据和信息,提升了协同工作的效率。同时,基于智能合约,各参与者可以按照预设的规则自动执行操作,降低了协作的复杂性。通过利用深度学习算法进行电力风险预测,本发明实现了电力安全管控的智能化。而基于智能合约的区块链技术,则使得电力安全管控的执行过程可以实现自动化,减轻了人工负担。
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申请文件而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种基于区块链的电力安全管控方法,其特征在于,包括以下步骤:
步骤S1,包括:
步骤S11:获取电力安全管控需求数据;
步骤S12,包括:
步骤S121:对电力安全管控需求数据进行聚类分析,从而获取电力安全管控需求分类数据;
步骤S122:对电力安全管控需求分类数据进行需求优先级处理,从而获取电力安全管控优先级需求数据;
其中,需求优先级计算公式具体为:
P为需求优先级指数,α为电力安全管控需求分类数据的需求紧急程度项的权重项,A为电力安全管控需求分类数据的需求紧急程度项,β为电力安全管控需求分类数据的影响范围项的权重项,B为电力安全管控需求分类数据的影响范围项,γ为电力安全管控需求分类数据的需求复杂度项的权重项,C为电力安全管控需求分类数据的需求复杂度项,δ为电力安全管控需求分类数据的需求可替代项,DT为电力安全管控需求分类数据的需求稳定性项的转置项,W为电力安全管控需求分类数据的权重矩阵,D为电力安全管控需求分类数据的需求稳定性项,ε为电力安全管控需求分类数据的满足度,σ为电力安全管控需求分类数据的变化趋势项;
步骤S123:对电力安全管控优先级需求数据进行需求模型提取,从而获取电力安全管控需求模型数据;
步骤S124:对电力安全管控需求模型数据进行角色数据以及角色动作关系提取,从而获取电力安全管控交互数据;
步骤S13:根据电力安全管控交互数据构建电力安全管控智能合约;
步骤S14:根据电力安全管控智能合约构建电力安全管控区块链;
步骤S2,包括:
步骤S21:获取电力资产基础数据,其中电力资产基础数据包括电力消耗数据、电力价格数据、电力储量数据、电力耗损数据以及电力产量数据;
步骤S22:对电力资产基础数据进行电力资产数据清洗,从而获取电力资产清洗数据;
其中,电力资产数据清洗计算公式具体为:
Y为电力资产清洗数据,θ为电力资产基础数据的调整项,k为电力资产基础数据,θ为实时调整系数的权重系数,Z为电力资产基础数据对应的实时调整系数,为降噪幅度,i为电力资产基础数据的序次项,N为电力资产基础数据的数量数据,Fi为第i个的电力资产基础数据对应的第一影响系数,Gi为第i个的电力资产基础数据对应的第二影响系数,μ为噪声系数的误差调整项,H为电力资产基础数据的噪声系数;
步骤S23:对电力资产清洗数据进行电力数据标准化,从而获取电力资产标准数据;
步骤S24:利用预设的电力资产安全性验证模型对电力资产标准数据进行安全性验证,从而获取电力安全管控验证数据;
其中,电力资产安全性验证模型的构建步骤具体为:
步骤S201:获取历史电力安全事件数据;
步骤S202:对历史电力安全事件数据进行数据预处理,从而获取历史电力安全事件预处理数据;
步骤S203:对历史电力安全事件预处理数据进行特征提取,从而获取历史电力安全事件特征数据;
其中,历史电力安全事件特征数据包括电力事件安全性特征数据以及设备使用特征数据,步骤S203具体为:
步骤S2031:对历史电力安全事件预处理数据进行电力事件安全性特征提取以及设备使用特征提取,从而获取电力事件安全性初级特征数据以及设备使用初级特征数据;
步骤S2032:对电力事件安全性初级特征数据以及设备使用初级特征数据进行最小损失特征选择,从而获取电力事件安全性特征选择数据以及设备使用初级特征选择数据;通过遗传算法进行特征选择,在大规模搜索空间中找到近似最优解,通过反复的选择、交叉和变异,得到预测损失最小的特征组合;
步骤S2033:对电力事件安全性特征选择数据以及设备使用初级特征选择数据进行特征构造,从而获取电力事件安全性特征数据以及设备使用初级特征数据;
步骤S204:对历史电力安全事件特征数据进行卷积计算,从而获取历史电力安全事件卷积层数据;
步骤S205:对历史电力安全事件特征数据进行池化计算,从而获取历史电力安全事件池化层数据;
步骤S206:对历史电力安全事件特征数据进行全连接计算,从而获取历史电力安全事件全连接层数据;
步骤S207:对历史电力安全事件全连接层数据进行权重计算并通过历史电力安全事件数据的标注数据进行标注,从而获取电力资产安全性初级验证模型;
步骤S208:对电力资产安全性初级验证模型进行反向传播优化处理,从而获取电力资产安全性验证模型;
步骤S3:对电力安全管控验证数据进行电力安全风险预测,从而获取电力风险预测报告数据;
其中,步骤S3包括:
步骤S31:对电力安全管控验证数据进行电力设备风险性数据提取以及电力事件用途风险性数据提取,从而获取电力设备风险性数据以及电力事件用途风险性数据;
步骤S32:对电力设备风险性数据以及电力事件用途风险性数据通过深度学习算法进行电力安全风险预测,从而获取电力风险预测报告数据;
其中,电力风险预测报告数据包括第一电力风险预测报告数据以及第二电力风险预测报告数据,步骤S32包括:
对电力设备风险性数据以及电力事件用途风险性数据通过预设的专家规则进行第一电力安全风险预测,从而获取第一电力风险预测报告数据;
利用预设的电力安全风险预测模型对电力设备风险性数据以及电力事件用途风险性数据进行第二电力安全风险预测,从而获取第二电力风险预测报告数据,其中电力安全风险预测模型为根据预存在本地的历史电力安全风险数据进行深度学习训练生成;
步骤S4:对电力安全管控验证数据以及电力风险预测报告数据进行数据加密与分块,
从而获取电力安全管控数据;
步骤S5:将电力安全管控数据通过电力安全管控智能合约加入电力安全管控区块链。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310963053.2A CN116882756B (zh) | 2023-08-02 | 2023-08-02 | 基于区块链的电力安全管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310963053.2A CN116882756B (zh) | 2023-08-02 | 2023-08-02 | 基于区块链的电力安全管控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116882756A CN116882756A (zh) | 2023-10-13 |
CN116882756B true CN116882756B (zh) | 2024-02-20 |
Family
ID=88269815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310963053.2A Active CN116882756B (zh) | 2023-08-02 | 2023-08-02 | 基于区块链的电力安全管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882756B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235743B (zh) * | 2023-11-13 | 2024-02-02 | 北京华源芯电科技有限公司 | 一种基于安全风险的智慧电力管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209334A (zh) * | 2019-12-23 | 2020-05-29 | 国网河北省电力有限公司雄安新区供电公司 | 基于区块链的电力终端数据安全管理方法 |
CN113627656A (zh) * | 2021-07-23 | 2021-11-09 | 上海和数软件有限公司 | 基于区块链的电力安全管控方法 |
CN114742470A (zh) * | 2022-05-18 | 2022-07-12 | 中国电建集团河北省电力勘测设计研究院有限公司 | 一种综合能源数据监控分析反馈方法及系统 |
CN116318826A (zh) * | 2023-01-10 | 2023-06-23 | 国网吉林省电力有限公司电力科学研究院 | 一种基于区块链的电力安全管控方法 |
-
2023
- 2023-08-02 CN CN202310963053.2A patent/CN116882756B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209334A (zh) * | 2019-12-23 | 2020-05-29 | 国网河北省电力有限公司雄安新区供电公司 | 基于区块链的电力终端数据安全管理方法 |
CN113627656A (zh) * | 2021-07-23 | 2021-11-09 | 上海和数软件有限公司 | 基于区块链的电力安全管控方法 |
CN114742470A (zh) * | 2022-05-18 | 2022-07-12 | 中国电建集团河北省电力勘测设计研究院有限公司 | 一种综合能源数据监控分析反馈方法及系统 |
CN116318826A (zh) * | 2023-01-10 | 2023-06-23 | 国网吉林省电力有限公司电力科学研究院 | 一种基于区块链的电力安全管控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116882756A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107402921B (zh) | 识别用户行为的事件时序数据处理方法、装置及系统 | |
Stergiopoulos et al. | Time-based critical infrastructure dependency analysis for large-scale and cross-sectoral failures | |
Brown et al. | Assessing infrastructure interdependencies: the challenge of risk analysis for complex adaptive systems | |
Wang et al. | Reliability importance of components in a complex system | |
CN113822421B (zh) | 基于神经网络的异常定位方法、系统、设备及存储介质 | |
CN111585799A (zh) | 网络故障预测模型建立方法及装置 | |
CN116882756B (zh) | 基于区块链的电力安全管控方法 | |
CN112039903B (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
US20130179937A1 (en) | Security model analysis | |
Weiss | Predicting telecommunication equipment failures from sequences of network alarms | |
Viktoriia et al. | An intelligent model to assess information systems security level | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN109472449B (zh) | 基于群决策的城市轨道交通信号设备健康状态评价方法 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
KR20040104853A (ko) | 정보 자산의 위험 분석 시스템 | |
CN117056172A (zh) | 一种用于系统集成中台的数据集成方法及系统 | |
Pisica et al. | Feature selection filter for classification of power system operating states | |
Zhai et al. | Parameter estimation method of mixture distribution for construction machinery | |
CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN110738326B (zh) | 一种人工智能服务系统模型的选择方法和装置 | |
CN117978545B (zh) | 基于大模型的网络安全风险评估方法、系统、设备及介质 | |
CN117009186B (zh) | 贴片机软硬件交互信息实时监控分析方法及系统 | |
CN117495109B (zh) | 一种基于神经网络的窃电用户识别系统 | |
CN115329900B (zh) | 面向海量工控网络日志数据的异常事件挖掘方法及系统 |
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 |