CN116935598B - 一种基于建筑智能配电的监控方法及系统 - Google Patents

一种基于建筑智能配电的监控方法及系统 Download PDF

Info

Publication number
CN116935598B
CN116935598B CN202311179679.0A CN202311179679A CN116935598B CN 116935598 B CN116935598 B CN 116935598B CN 202311179679 A CN202311179679 A CN 202311179679A CN 116935598 B CN116935598 B CN 116935598B
Authority
CN
China
Prior art keywords
alarm
data
power
encoder
parameters
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
Application number
CN202311179679.0A
Other languages
English (en)
Other versions
CN116935598A (zh
Inventor
黄鑫鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Nantong Xinye Network Technology Co ltd
Original Assignee
Jiangsu Nantong Xinye Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Nantong Xinye Network Technology Co ltd filed Critical Jiangsu Nantong Xinye Network Technology Co ltd
Priority to CN202311179679.0A priority Critical patent/CN116935598B/zh
Publication of CN116935598A publication Critical patent/CN116935598A/zh
Application granted granted Critical
Publication of CN116935598B publication Critical patent/CN116935598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/185—Electrical failure alarms
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Power Engineering (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Emergency Management (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于建筑智能配电的监控方法及系统，用于配电监控领域，该方法包括以下步骤：实时采集电力参数；利用随机森林模型对电力参数进行多维度的判断；若电力参数超过预设阈值，且超过阈值的时间超过预设的时间长度，则生成第一警报；若电力参数在预设阈值内出现异常波动或趋势变化，则生成第二警报；若接收到第一警报，则切断电源；若接收到第二警报，则检查电力设备的工作状态；利用迭代自编码器对处理后的第一警报、第二警报及第一警报与第二警报的电力参数进行防御；解密接收到的警报数据，根据警报状态发出相应的警报提示。本发明通过计算电力参数的动态变化，可以更好地识别电力系统的运行状态，并监控和维护电力系统。

Description

一种基于建筑智能配电的监控方法及系统
技术领域
本发明涉及配电监控领域，具体来说，尤其涉及一种基于建筑智能配电的监控方法及系统。
背景技术
随着现代物业业务的快速发展，优质的自动化服务已经成为了不可或缺的一部分。在这个背景下，现代建筑的配电系统信息集成显得尤为重要，它是提供全方位优质服务的关键支撑。现代建筑的低压负荷包括用户的日常用电、空调、路灯、车库、风机、水泵、消防设备、视频监控等多个方面。
因此，对各种负荷的电力运行情况进行日常监控，进行事故预警，实现远程自动抄表和用电自动控制，已经成为现代建筑智能管理的必要条件。智能配电监控系统就是在这样的需求背景下应运而生的。
智能配电监控系统采用单元模块组合式结构，以一系列的监控装置为核心，应用计算机数字信号技术和通信技术，将变配电系统相关联的部分连接为一个有机的整体。这样，就可以完成对变配电系统的测量、监控和控制等功能。
总的来说，智能配电监控系统通过集成和优化现代建筑的配电系统信息，为现代物业提供了全方位的优质服务，满足了现代建筑智能管理的需求。
但是现有技术中，传统的电力监控系统可能无法实时监控电力参数并及时发出警报，且当发生异常时，可能需要人工介入进行处理，这可能会导致处理效率低下；传统的电力监控系统可能只能简单地判断电力参数是否超过阈值，而无法理解异常的深层原因。
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
为了克服以上问题，本发明旨在提出一种基于建筑智能配电的监控方法及系统，目的在于解决传统的电力监控系统可能无法实时监控电力参数并及时发出警报，且当发生异常时，可能需要人工介入进行处理，这可能会导致处理效率低下的问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种基于建筑智能配电的监控方法，该监控方法包括以下步骤：
S1、在目标建筑中部署智能电力设备，并实时采集电力参数；
S2、对电力参数进行分析，并利用随机森林模型对电力参数进行多维度的判断；
S3、若电力参数超过预设阈值，且超过阈值的时间超过预设的时间长度，则生成第一警报；
若电力参数在预设阈值内出现异常波动或趋势变化，则生成第二警报；
S4、对警报进行处理，若接收到第一警报，则切断电源或调整电力设备的工作状态以降低电力参数；
S5、若接收到第二警报，则检查电力设备的工作状态，并调整电力设备的工作参数；
S6、利用迭代自编码器对处理后的第一警报、第二警报及第一警报与第二警报的电力参数进行防御，并发送到监控终端；
S7、监控终端首先解密接收到的警报数据，然后根据警报状态发出相应的警报提示，并获取与警报对应的目标对象的身份信息，同时根据身份信息获取与该身份信息预先关联的地理位置数据。
可选地，所述对电力参数进行分析，并利用随机森林模型对电力参数进行多维度的判断包括以下步骤：
S21、获取电力参数中的电力测量参数和电力系统状态数据，并以时间为索引，生成原始数据集；
S22、计算原始数据集的各特征数据中当前时间点特征数据与上一个时间点特征数据之间的差异，得到电力系统的动态变化；
S23、根据原始数据集中的数据，进行电力系统的动态变化的自动识别，将电力系统的运行变化进行不同的工况划分；
S24、根据工况划分的结果，使用Bootstrap重采样方法，从原始数据集中生成k个Bootstrap样本集；
S25、对k个Bootstrap样本集使用CART决策树对训练数据进行分类；
S26、获取分类结果，并根据CART算法生成的k棵决策树的投票结果，判断电力系统的状态。
可选地，所述根据工况划分的结果，使用Bootstrap重采样方法，从原始数据集中生成k个样本集包括以下步骤：
S241、根据工况划分的结果，将原始数据集按照工况类别进行分组；
S242、确定需要生成的Bootstrap样本集的数量，设为k；
S243、对于每个工况类别，从该工况类别的数据中随机选择样本，允许重复选择；
S244、将选中的样本添加到Bootstrap样本集中；
S245、重复执行S244的步骤，直到Bootstrap样本集中的样本数量与原始数据集中该工况类别的样本数量相同，生成k个Bootstrap样本集。
可选地，所述对k个Bootstrap样本集使用CART决策树对训练数据进行分类包括以下步骤：
S251、对于每个Bootstrap样本集，使用CART决策树算法对Bootstrap样本集进行训练；
S252、在训练过程中，根据特征值的不同，利用CART决策树将每个Bootstrap样本集中的样本分割成同一类别的子集，并得到一棵CART决策树；
S253、重复执行S251至S252的步骤，直到对所有的Bootstrap样本集均训练出对应的CART决策树。
可选地，所述获取分类结果，并根据CART算法生成的k棵决策树的投票结果，判断电力系统的状态包括以下步骤：
S261、将需要判断状态的电力系统数据输入到每一棵CART决策树中，通过决策规则，得到分类结果；
S262、收集所有决策树的分类结果，形成投票结果列表；
S263、统计每种电力系统状态的票数，将票数最多的状态作为最终的电力系统状态。
可选地，所述利用迭代自编码器对处理后的第一警报、第二警报及第一警报与第二警报的电力参数进行防御，并发送到监控终端包括以下步骤：
S61、获取正常数据、第一警报、第二警报及第一警报与第二警报的电力参数数据，并进行归一化处理；
S62、使用梯度下降算法训练迭代自编码器；
S63、将处理后的第一警报、第二警报及第一警报与第二警报的电力参数数据输入训练好的迭代自编码器，并使用迭代自编码器的输出作为防御后的数据；
S64、通过SSL/TLS安全协议将防御后的数据发送到监控终端。
可选地，所述使用梯度下降算法训练迭代自编码器包括以下步骤：
S621、初始化迭代自编码器的参数，并将归一化后的正常数据输入到迭代自编码器中，通过前向传播计算出迭代自编码器的输出；
S622、通过损失函数计算迭代自编码器输出与真实数据之间的差异；
S623、使用梯度下降算法来更新迭代自编码器的参数；
S624、重复执行S622至S623的步骤，直到迭代自编码器的迭代次数达到预设值。
可选地，所述通过损失函数计算迭代自编码器输出与真实数据之间的差异包括以下步骤：
S6221、将迭代自编码器的输出与真实数据进行比较；
S6222、利用均方误差计算迭代自编码器输出数据与真实数据之间的差异；
其中，所述利用均方误差计算迭代自编码器输出数据与真实数据之间的差异的计算公式为：
S6223、根据差异，通过反向传播算法计算损失函数中迭代自编码器的梯度；
所述通过反向传播算法计算损失函数中迭代自编码器的梯度的公式为：
式中，为样本的数量；
为迭代自编码器的输出数据；
为真实数据；
为偏导数；
为均方误差。
可选地，所述使用梯度下降算法来更新迭代自编码器的参数的公式为：
式中，为迭代自编码器的参数
为学习率；
为迭代自编码器的梯度。
根据本发明的另一个方面，还提供了一种基于建筑智能配电的监控系统，该系统包括：数据采集模块、数据判断模块、警报生成模块、第一警报处理模块、第二警报处理模块、防御模块及监控终端模块；
所述数据采集模块通过所述数据判断模块与所述警报生成模块，所述警报生成模块分别通过所述第一警报处理模块与所述第二警报处理模块与所述防御模块连接，所述防御模块与所述监控终端模块连接；
所述数据采集模块，用于在目标建筑中部署智能电力设备，并实时采集电力参数；
所述数据判断模块，用于对电力参数进行分析，并利用随机森林模型对电力参数进行多维度的判断；
所述警报生成模块，用于若电力参数超过预设阈值，且超过阈值的时间超过预设的时间长度，则生成第一警报；
若电力参数在预设阈值内出现异常波动或趋势变化，则生成第二警报；
所述第一警报处理模块，用于对警报进行处理，若接收到第一警报，则切断电源或调整电力设备的工作状态以降低电力参数；
所述第二警报处理模块，用于若接收到第二警报，则检查电力设备的工作状态，并调整电力设备的工作参数；
所述防御模块，用于利用迭代自编码器对处理后的第一警报、第二警报及第一警报与第二警报的电力参数进行防御，并发送到监控终端；
所述监控终端模块，用于监控终端首先解密接收到的警报数据，然后根据警报状态发出相应的警报提示，并获取与警报对应的目标对象的身份信息，同时根据身份信息获取与该身份信息预先关联的地理位置数据。
相较于现有技术，本申请具有以下有益效果：
1、本发明利用随机森林模型处理高维特征的数据，可以处理多种电力参数，通过使用Bootstrap重采样方法和多棵决策树的投票机制，随机森林模型能够提高预测的稳定性和准确性，在构建决策树时，随机森林模型会自动选择最重要的特征进行分裂，这可以避免过拟合，并提高计算速度。
2、本发明通过计算电力参数的动态变化，可以更好地识别电力系统的运行状态，并监控和维护电力系统，通过对电力系统的运行变化进行工况划分，可以更好地理解电力系统的运行模式，这对于电力系统的优化和调度非常有用。
3、本发明的迭代自编码器通过学习正常数据的隐藏表示，然后重构输入数据，可以有效地检测和防御异常数据，通过对电力参数数据进行归一化处理，可以消除数据的量纲影响，使得模型更加稳定，迭代自编码器是一种深度学习模型，能够自动学习数据的内在结构和特征，无需人工进行特征选择，通过使用梯度下降算法，可以有效地优化模型参数，使得模型的预测结果更加准确，使用均方误差作为损失函数，可以直观地反映模型预测结果与真实数据之间的差异。
4、本发明通过使用SSL/TLS安全协议，可以保证防御后的数据在传输过程中的安全性，通过使用反向传播算法，可以有效地计算损失函数关于模型参数的梯度，并更新参数，从而优化模型，通过实时获取警报数据，可以实时对警报进行防御，及时发现和处理问题。
附图说明
结合实施例的以下描述，本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂，实施例结合附图详细阐述。在此以示意图示出：
图1是根据本发明实施例的一种基于建筑智能配电的监控方法的流程图；
图2是根据本发明实施例的一种基于建筑智能配电的监控系统的原理框图。
图中：
1、数据采集模块；2、数据判断模块；3、警报生成模块；4、第一警报处理模块；5、第二警报处理模块；6、防御模块；7、监控终端模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
根据本发明的实施例，提供了一种基于建筑智能配电的监控方法及系统。
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，根据本发明的一个实施例，提供了一种基于建筑智能配电的监控方法，该监控方法包括以下步骤：
S1、在目标建筑中部署智能电力设备，并实时采集电力参数。
需要解释说明的是，智能电力设备通常包括智能电表、智能断路器、电力质量监测设备等。这些设备可以实时监测电力参数，如电压、电流、功率、频率等，并将数据发送到中央控制系统；数据采集是通过传感器、智能电表等设备，实时收集电力参数，如电压、电流、功率、频率等。这些数据可以用于分析电力系统的运行状态，预测电力需求，检测故障等；建筑自动化是通过自动控制系统，实现建筑设施的自动运行。这包括照明系统、空调系统、安全系统等。通过实时监测和控制电力参数，可以提高能源效率，提高设备的使用寿命，提高居住或工作的舒适度。
S2、对电力参数进行分析，并利用随机森林模型对电力参数进行多维度的判断。
优选地，所述对电力参数进行分析，并利用随机森林模型对电力参数进行多维度的判断包括以下步骤：
S21、获取电力参数中的电力测量参数和电力系统状态数据，并以时间为索引，生成原始数据集；（原始数据集包括电压、电流、功率等电力测量参数，以及电力系统的状态，例如正常、过载、故障等）
S22、计算原始数据集的各特征数据中当前时间点特征数据与上一个时间点特征数据之间的差异，得到电力系统的动态变化；
S23、根据原始数据集中的数据，进行电力系统的动态变化的自动识别，将电力系统的运行变化进行不同的工况划分；
S24、根据工况划分的结果，使用Bootstrap重采样方法，从原始数据集中生成k个Bootstrap样本集（每个Bootstrap样本集包含一部分数据和对应的电力系统状态）；
S25、对k个Bootstrap样本集使用CART决策树对训练数据进行分类（在每个节点分裂时，计算不同特征和不同阈值相对应的gini信息增益，选择最小的gini指数对应的特征和阈值，对特征空间进行二元分裂）；
S26、获取分类结果，并根据CART算法生成的k棵决策树的投票结果，判断电力系统的状态。
需要解释说明的是，讨论决策树数量对预测结果的影响。随机森林中决策树的数量对预测结果有重要影响，需要根据实际情况进行选择；同时对用于电力系统状态识别的输入特征的重要性进行分析，以提高计算速度和预测准确性。
此外，在构建决策树时，我们需要选择一个特征和一个阈值来分裂节点。我们可以通过计算不同特征和不同阈值对应的Gini指数，选择Gini指数最小的特征和阈值进行分裂。这样可以使得分裂后的子节点尽可能地“纯净”，即每个子节点中的样本尽可能地属于同一类别；Gini指数和信息增益都是决策树中常用的分裂指标。信息增益基于熵（entropy）来衡量节点的纯净度，而Gini指数则是基于类别的比例来计算。在实际应用中，Gini指数和信息增益通常会得到相似的决策树。但是，Gini指数的计算通常比信息增益更快，因为它不需要计算对数函数。
优选地，所述根据工况划分的结果，使用Bootstrap重采样方法，从原始数据集中生成k个样本集包括以下步骤：
S241、根据工况划分的结果，将原始数据集按照工况类别进行分组；
S242、确定需要生成的Bootstrap样本集的数量，设为k；
S243、对于每个工况类别，从该工况类别的数据中随机选择样本，允许重复选择；
S244、将选中的样本添加到Bootstrap样本集中；
S245、重复执行S244的步骤，直到Bootstrap样本集中的样本数量与原始数据集中该工况类别的样本数量相同，生成k个Bootstrap样本集。
优选地，所述对k个Bootstrap样本集使用CART决策树对训练数据进行分类包括以下步骤：
S251、对于每个Bootstrap样本集，使用CART决策树算法对Bootstrap样本集进行训练；
S252、在训练过程中，根据特征值的不同，利用CART决策树将每个Bootstrap样本集中的样本分割成同一类别的子集，并得到一棵CART决策树；
S253、重复执行S251至S252的步骤，直到对所有的Bootstrap样本集均训练出对应的CART决策树。
优选地，所述获取分类结果，并根据CART算法生成的k棵决策树的投票结果，判断电力系统的状态包括以下步骤：
S261、将需要判断状态的电力系统数据输入到每一棵CART决策树中，通过决策规则，得到分类结果；
S262、收集所有决策树的分类结果，形成投票结果列表；
S263、统计每种电力系统状态的票数，将票数最多的状态作为最终的电力系统状态。
需要解释说明的是，随机森林是一种集成学习方法，它通过构建多个决策树并取其平均结果来提高预测的准确性和稳定性。随机森林的主要优点是它可以处理具有高维特征的数据，并且不需要进行特征选择；Bootstrap重采样是一种统计技术，它通过从原始数据集中随机抽取样本（允许重复）来生成新的数据集。这种方法可以提高模型的稳定性和准确性；CART（Classification and Regression Trees）决策树是一种常用的决策树算法，它可以用于分类和回归问题。CART决策树使用gini指数作为分裂标准，选择最小的gini指数对应的特征和阈值，对特征空间进行二元分裂，在随机森林中，决策树的数量对预测结果有重要影响。一般来说，决策树的数量越多，模型的性能越好，但计算成本也越高。因此，需要根据实际情况进行选择。
S3、若电力参数超过预设阈值，且超过阈值的时间超过预设的时间长度，则生成第一警报；
若电力参数在预设阈值内出现异常波动或趋势变化，则生成第二警报。
需要解释说明的是，阈值是预先设定的一个界限，当监测的参数超过这个界限时，就会触发某种行动或警报。在电力系统中，阈值通常用于电压、电流、功率等参数，以确保电力系统的安全和稳定运行。阈值的设定需要考虑到系统的实际需求和设备的性能；异常检测是识别与正常数据显著不同的数据的过程，这些数据通常表示系统中的问题或故障。在电力系统中，异常检测可以用于识别电力参数的异常波动或趋势变化，如电压的突然下降或电流的突然上升；当电力参数超过阈值或出现异常波动时，系统会生成警报。警报是一种通知机制，用于提醒操作员或自动控制系统采取必要的措施，如切断电源或调整设备的工作状态；在电力系统中，不仅要考虑电力参数的数值，还要考虑时间因素。例如，如果电力参数超过阈值的时间很短，可能只是暂时的波动；但如果超过阈值的时间较长，可能表示系统中存在持续的问题。因此，时间因素是判断系统状态的重要因素。
S4、对警报进行处理，若接收到第一警报，则切断电源或调整电力设备的工作状态以降低电力参数。
S5、若接收到第二警报，则检查电力设备的工作状态，并调整电力设备的工作参数。
S6、利用迭代自编码器对处理后的第一警报、第二警报及第一警报与第二警报的电力参数进行防御，并发送到监控终端。
优选地，所述利用迭代自编码器对处理后的第一警报、第二警报及第一警报与第二警报的电力参数进行防御，并发送到监控终端包括以下步骤：
S61、获取正常数据、第一警报、第二警报及第一警报与第二警报的电力参数数据，并进行归一化处理；
S62、使用梯度下降算法训练迭代自编码器；
S63、将处理后的第一警报、第二警报及第一警报与第二警报的电力参数数据输入训练好的迭代自编码器，并使用迭代自编码器的输出作为防御后的数据；
S64、通过SSL/TLS安全协议将防御后的数据发送到监控终端。
优选地，所述使用梯度下降算法训练迭代自编码器包括以下步骤：
S621、初始化迭代自编码器的参数，并将归一化后的正常数据输入到迭代自编码器中，通过前向传播计算出迭代自编码器的输出；
S622、通过损失函数计算迭代自编码器输出与真实数据之间的差异；
S623、使用梯度下降算法来更新迭代自编码器的参数；
S624、重复执行S622至S623的步骤，直到迭代自编码器的迭代次数达到预设值。
优选地，所述通过损失函数计算迭代自编码器输出与真实数据之间的差异包括以下步骤：
S6221、将迭代自编码器的输出与真实数据进行比较；
S6222、利用均方误差计算迭代自编码器输出数据与真实数据之间的差异；
其中，所述利用均方误差计算迭代自编码器输出数据与真实数据之间的差异的计算公式为：
S6223、根据差异，通过反向传播算法计算损失函数中迭代自编码器的梯度；
所述通过反向传播算法计算损失函数中迭代自编码器的梯度的公式为：
式中，为样本的数量；
为迭代自编码器的输出数据；
为真实数据；
为偏导数；
为均方误差。
优选地，所述使用梯度下降算法来更新迭代自编码器的参数的公式为：
式中，为迭代自编码器的参数
为学习率；
为迭代自编码器的梯度。
需要解释说明的是，迭代自编码器是一种深度学习模型，它通过学习输入数据的隐藏表示，然后重构输入数据。在这个过程中，自编码器可以学习到数据的内在结构和特征。在电力系统中，迭代自编码器可以用于检测和防御异常数据；梯度下降算法是一种优化算法，它通过迭代地更新模型参数来最小化损失函数。在训练迭代自编码器时，我们可以使用梯度下降算法来更新模型参数；均方误差（Mean Squared Error，MSE）是一种常用的损失函数，它计算的是模型预测值与真实值之间的平均平方差。在训练迭代自编码器时，我们可以使用MSE来计算模型输出与真实数据之间的差异；SSL（SecureSockets Layer）和TLS（Transport Layer Security）是两种常用的网络安全协议，它们可以提供数据的加密传输、身份验证和数据完整性保护。在发送防御后的数据到监控终端时，我们可以使用SSL/TLS安全协议来保证数据的安全性；反向传播算法是一种用于训练神经网络的算法，它通过计算损失函数关于模型参数的梯度，然后按照梯度的反方向更新参数。在训练迭代自编码器时，我们可以使用反向传播算法来计算梯度并更新参数。
S7、监控终端首先解密接收到的警报数据，然后根据警报状态发出相应的警报提示，并获取与警报对应的目标对象的身份信息，同时根据身份信息获取与该身份信息预先关联的地理位置数据。
需要解释说明的是，由于警报数据在传输过程中可能被加密以保证数据的安全性，所以监控终端首先需要对接收到的警报数据进行解密。这通常涉及到使用预先共享的密钥或证书进行解密；解密后，监控终端需要根据警报状态发出相应的警报提示。这可能包括在用户界面上显示警报信息，或者通过声音、灯光等方式提醒操作员；监控终端还需要获取与警报对应的目标对象的身份信息。这可能涉及到查询数据库或其他信息系统，以获取目标对象的详细信息；根据身份信息，监控终端还需要获取与该身份信息预先关联的地理位置数据。这可能涉及到查询地理信息系统（GIS）或其他位置服务。
此外，在解密数据后，监控终端可能需要验证数据的完整性和真实性，监控终端可能需要根据警报状态判断警报的级别，例如，是否需要立即处理，或者可以稍后处理，在某些情况下，监控终端可能需要自动响应警报，例如，自动切断电源，或者自动调整设备的工作状态。
根据本发明的另一个实施例，如图2所示，还提供了一种基于建筑智能配电的监控系统，该系统包括：数据采集模块1、数据判断模块2、警报生成模块3、第一警报处理模块4、第二警报处理模块5、防御模块6及监控终端模块7；
所述数据采集模块1通过所述数据判断模块2与所述警报生成模块3，所述警报生成模块3分别通过所述第一警报处理模块4与所述第二警报处理模块5与所述防御模块6连接，所述防御模块6与所述监控终端模块7连接；
所述数据采集模块1，用于在目标建筑中部署智能电力设备，并实时采集电力参数；
所述数据判断模块2，用于对电力参数进行分析，并利用随机森林模型对电力参数进行多维度的判断；
所述警报生成模块3，用于若电力参数超过预设阈值，且超过阈值的时间超过预设的时间长度，则生成第一警报；
若电力参数在预设阈值内出现异常波动或趋势变化，则生成第二警报；
所述第一警报处理模块4，用于对警报进行处理，若接收到第一警报，则切断电源或调整电力设备的工作状态以降低电力参数；
所述第二警报处理模块5，用于若接收到第二警报，则检查电力设备的工作状态，并调整电力设备的工作参数；
所述防御模块6，用于利用迭代自编码器对处理后的第一警报、第二警报及第一警报与第二警报的电力参数进行防御，并发送到监控终端；
所述监控终端模块7，用于监控终端首先解密接收到的警报数据，然后根据警报状态发出相应的警报提示，并获取与警报对应的目标对象的身份信息，同时根据身份信息获取与该身份信息预先关联的地理位置数据。
综上所述，借助于本发明的上述技术方案，本发明利用随机森林模型处理高维特征的数据，可以处理多种电力参数，通过使用Bootstrap重采样方法和多棵决策树的投票机制，随机森林模型能够提高预测的稳定性和准确性，在构建决策树时，随机森林模型会自动选择最重要的特征进行分裂，这可以避免过拟合，并提高计算速度，通过计算电力参数的动态变化，可以更好地识别电力系统的运行状态，并监控和维护电力系统，通过对电力系统的运行变化进行工况划分，可以更好地理解电力系统的运行模式，这对于电力系统的优化和调度非常有用，本发明的迭代自编码器通过学习正常数据的隐藏表示，然后重构输入数据，可以有效地检测和防御异常数据，通过对电力参数数据进行归一化处理，可以消除数据的量纲影响，使得模型更加稳定，迭代自编码器是一种深度学习模型，能够自动学习数据的内在结构和特征，无需人工进行特征选择，通过使用梯度下降算法，可以有效地优化模型参数，使得模型的预测结果更加准确，使用均方误差作为损失函数，可以直观地反映模型预测结果与真实数据之间的差异，通过使用SSL/TLS安全协议，可以保证防御后的数据在传输过程中的安全性，通过使用反向传播算法，可以有效地计算损失函数关于模型参数的梯度，并更新参数，从而优化模型，通过实时获取警报数据，可以实时对警报进行防御，及时发现和处理问题。
虽然本发明已以较佳实施例揭示如上，然所述实施例仅为了便于说明而举例而已，并非用以限定本发明，本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰，本发明所主张的保护范围应以权利要求书所述为准。

Claims (9)

1.一种基于建筑智能配电的监控方法，其特征在于，该监控方法包括以下步骤：
S1、在目标建筑中部署智能电力设备，并实时采集电力参数；
S2、对电力参数进行分析，并利用随机森林模型对电力参数进行多维度的判断；
S3、若电力参数超过预设阈值，且超过阈值的时间超过预设的时间长度，则生成第一警报；
若电力参数在预设阈值内出现异常波动或趋势变化，则生成第二警报；
S4、对警报进行处理，若接收到第一警报，则切断电源或调整电力设备的工作状态以降低电力参数；
S5、若接收到第二警报，则检查电力设备的工作状态，并调整电力设备的工作参数；
S6、利用迭代自编码器对处理后的第一警报、第二警报及第一警报与第二警报的电力参数进行防御，并发送到监控终端；
S7、监控终端首先解密接收到的警报数据，然后根据警报状态发出相应的警报提示，并获取与警报对应的目标对象的身份信息，同时根据身份信息获取与该身份信息预先关联的地理位置数据；
所述对电力参数进行分析，并利用随机森林模型对电力参数进行多维度的判断包括以下步骤：
S21、获取电力参数中的电力测量参数和电力系统状态数据，并以时间为索引，生成原始数据集；
S22、计算原始数据集的各特征数据中当前时间点特征数据与上一个时间点特征数据之间的差异，得到电力系统的动态变化；
S23、根据原始数据集中的数据，进行电力系统的动态变化的自动识别，将电力系统的运行变化进行不同的工况划分；
S24、根据工况划分的结果，使用Bootstrap重采样方法，从原始数据集中生成k个Bootstrap样本集；
S25、对k个Bootstrap样本集使用CART决策树对训练数据进行分类；
S26、获取分类结果，并根据CART算法生成的k棵决策树的投票结果，判断电力系统的状态。
2.根据权利要求1所述的一种基于建筑智能配电的监控方法，其特征在于，所述根据工况划分的结果，使用Bootstrap重采样方法，从原始数据集中生成k个样本集包括以下步骤：
S241、根据工况划分的结果，将原始数据集按照工况类别进行分组；
S242、确定需要生成的Bootstrap样本集的数量，设为k；
S243、对于每个工况类别，从该工况类别的数据中随机选择样本，允许重复选择；
S244、将选中的样本添加到Bootstrap样本集中；
S245、重复执行S244的步骤，直到Bootstrap样本集中的样本数量与原始数据集中该工况类别的样本数量相同，生成k个Bootstrap样本集。
3.根据权利要求2所述的一种基于建筑智能配电的监控方法，其特征在于，所述对k个Bootstrap样本集使用CART决策树对训练数据进行分类包括以下步骤：
S251、对于每个Bootstrap样本集，使用CART决策树算法对Bootstrap样本集进行训练；
S252、在训练过程中，根据特征值的不同，利用CART决策树将每个Bootstrap样本集中的样本分割成同一类别的子集，并得到一棵CART决策树；
S253、重复执行S251至S252的步骤，直到对所有的Bootstrap样本集均训练出对应的CART决策树。
4.根据权利要求3所述的一种基于建筑智能配电的监控方法，其特征在于，所述获取分类结果，并根据CART算法生成的k棵决策树的投票结果，判断电力系统的状态包括以下步骤：
S261、将需要判断状态的电力系统数据输入到每一棵CART决策树中，通过决策规则，得到分类结果；
S262、收集所有决策树的分类结果，形成投票结果列表；
S263、统计每种电力系统状态的票数，将票数最多的状态作为最终的电力系统状态。
5.根据权利要求1所述的一种基于建筑智能配电的监控方法，其特征在于，所述利用迭代自编码器对处理后的第一警报、第二警报及第一警报与第二警报的电力参数进行防御，并发送到监控终端包括以下步骤：
S61、获取正常数据、第一警报、第二警报及第一警报与第二警报的电力参数数据，并进行归一化处理；
S62、使用梯度下降算法训练迭代自编码器；
S63、将处理后的第一警报、第二警报及第一警报与第二警报的电力参数数据输入训练好的迭代自编码器，并使用迭代自编码器的输出作为防御后的数据；
S64、通过SSL/TLS安全协议将防御后的数据发送到监控终端。
6.根据权利要求5所述的一种基于建筑智能配电的监控方法，其特征在于，所述使用梯度下降算法训练迭代自编码器包括以下步骤：
S621、初始化迭代自编码器的参数，并将归一化后的正常数据输入到迭代自编码器中，通过前向传播计算出迭代自编码器的输出；
S622、通过损失函数计算迭代自编码器输出与真实数据之间的差异；
S623、使用梯度下降算法来更新迭代自编码器的参数；
S624、重复执行S622至S623的步骤，直到迭代自编码器的迭代次数达到预设值。
7.根据权利要求6所述的一种基于建筑智能配电的监控方法，其特征在于，所述通过损失函数计算迭代自编码器输出与真实数据之间的差异包括以下步骤：
S6221、将迭代自编码器的输出与真实数据进行比较；
S6222、利用均方误差计算迭代自编码器输出数据与真实数据之间的差异；
其中，所述利用均方误差计算迭代自编码器输出数据与真实数据之间的差异的计算公式为：
S6223、根据差异，通过反向传播算法计算损失函数中迭代自编码器的梯度；
所述通过反向传播算法计算损失函数中迭代自编码器的梯度的公式为：
式中，n为样本的数量；
ypred为迭代自编码器的输出数据；
yture为真实数据；
为偏导数；
M为均方误差。
8.根据权利要求7所述的一种基于建筑智能配电的监控方法，其特征在于，所述使用梯度下降算法来更新迭代自编码器的参数的公式为：
θ＝θ－learningrate*ΔθK
式中，θ为迭代自编码器的参数
learningrate为学习率；
ΔθK为迭代自编码器的梯度。
9.一种基于建筑智能配电的监控系统，用于实现权利要求1-8中任一项所述的基于建筑智能配电的监控方法，其特征在于，该系统包括：数据采集模块、数据判断模块、警报生成模块、第一警报处理模块、第二警报处理模块、防御模块及监控终端模块；
所述数据采集模块通过所述数据判断模块与所述警报生成模块，所述警报生成模块分别通过所述第一警报处理模块与所述第二警报处理模块与所述防御模块连接，所述防御模块与所述监控终端模块连接；
所述数据采集模块，用于在目标建筑中部署智能电力设备，并实时采集电力参数；
所述数据判断模块，用于对电力参数进行分析，并利用随机森林模型对电力参数进行多维度的判断；
所述警报生成模块，用于若电力参数超过预设阈值，且超过阈值的时间超过预设的时间长度，则生成第一警报；
若电力参数在预设阈值内出现异常波动或趋势变化，则生成第二警报；
所述第一警报处理模块，用于对警报进行处理，若接收到第一警报，则切断电源或调整电力设备的工作状态以降低电力参数；
所述第二警报处理模块，用于若接收到第二警报，则检查电力设备的工作状态，并调整电力设备的工作参数；
所述防御模块，用于利用迭代自编码器对处理后的第一警报、第二警报及第一警报与第二警报的电力参数进行防御，并发送到监控终端；
所述监控终端模块，用于监控终端首先解密接收到的警报数据，然后根据警报状态发出相应的警报提示，并获取与警报对应的目标对象的身份信息，同时根据身份信息获取与该身份信息预先关联的地理位置数据。
CN202311179679.0A 2023-09-13 2023-09-13 一种基于建筑智能配电的监控方法及系统 Active CN116935598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311179679.0A CN116935598B (zh) 2023-09-13 2023-09-13 一种基于建筑智能配电的监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311179679.0A CN116935598B (zh) 2023-09-13 2023-09-13 一种基于建筑智能配电的监控方法及系统

Publications (2)

Publication Number Publication Date
CN116935598A CN116935598A (zh) 2023-10-24
CN116935598B true CN116935598B (zh) 2023-12-05

Family

ID=88375599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311179679.0A Active CN116935598B (zh) 2023-09-13 2023-09-13 一种基于建筑智能配电的监控方法及系统

Country Status (1)

Country Link
CN (1) CN116935598B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108233539A (zh) * 2018-01-11 2018-06-29 重庆市东泰电器实业有限公司 电力服务器、变电箱设备及电力数据监控方法
KR102096466B1 (ko) * 2019-08-12 2020-04-02 (주)엠투엠솔루션 실시간 데이터베이스를 이용한 원격 제어 및 경보 장치 및 방법
CN112561176A (zh) * 2020-12-21 2021-03-26 深圳供电局有限公司 一种电力计量装置在线运行状态的预警方法
CN112949714A (zh) * 2021-03-02 2021-06-11 北京城建设计发展集团股份有限公司 一种基于随机森林的故障可能性预估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021108537A1 (en) * 2019-11-27 2021-06-03 Sentient Technology Holdings, LLC Systems and methods for power line fault detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108233539A (zh) * 2018-01-11 2018-06-29 重庆市东泰电器实业有限公司 电力服务器、变电箱设备及电力数据监控方法
KR102096466B1 (ko) * 2019-08-12 2020-04-02 (주)엠투엠솔루션 실시간 데이터베이스를 이용한 원격 제어 및 경보 장치 및 방법
CN112561176A (zh) * 2020-12-21 2021-03-26 深圳供电局有限公司 一种电力计量装置在线运行状态的预警方法
CN112949714A (zh) * 2021-03-02 2021-06-11 北京城建设计发展集团股份有限公司 一种基于随机森林的故障可能性预估方法

Also Published As

Publication number Publication date
CN116935598A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
US10452845B2 (en) Generic framework to detect cyber threats in electric power grid
JP2018185794A (ja) 送電網におけるサイバー脅威を検出するための複数モデル複数領域の特徴発見
CN115640915B (zh) 一种智慧燃气管网压缩机安全管理方法和物联网系统
CN112233360B (zh) 基于数据建模的电气火灾预警方法和服务器
CN117833464A (zh) 一种用电信息采集终端在线运行状态安全监测方法
CN118300273B (zh) 基于多场耦合的电缆室故障预警系统
CN117411810A (zh) 一种基于边缘计算的电气物联网安全预警方法
US11711341B2 (en) System for securing a cyber-physical method
KR102296568B1 (ko) 머신러닝 기반 배전반 관제시스템
CN108446202B (zh) 一种机房设备的安全状况的判断方法
CN116935598B (zh) 一种基于建筑智能配电的监控方法及系统
CN117610732A (zh) 一种用于电力储能水库的监控管理方法及监控管理系统
CN116071902B (zh) 一种监控机房动力设备的方法、设备及介质
CN116863664A (zh) 燃气设备的实时监测方法以及燃气设备监测系统
CN116307700A (zh) 电力系统及其风险评估装置与方法
CN113570473B (zh) 设备故障监测方法、装置、计算机设备和存储介质
CN107368000A (zh) 一种机房动力环境监控方法
CN114429240A (zh) 高速公路设备运行状态监测方法及装置
CN112241812A (zh) 基于单边优化与遗传算法协作的低压配电网拓扑识别方法
Zhu et al. Design and experiment of smart fire electric power monitoring system based on the cyber-physical model
CN117930669B (zh) 基于物联网的智能家居远程控制方法
CN117347791B (zh) 基于大数据的电力电网故障在线识别系统及方法
CN114325141B (zh) 基站电量异常监测方法、装置及可读存储介质
CN118365139B (zh) 风险态势感知方法、系统、设备和介质
CN118075123B (zh) 面向电力全场景的海量数据统一处理平台的管理方法

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