CN117521084B - 一种复杂系统的主动安全预警方法 - Google Patents
一种复杂系统的主动安全预警方法 Download PDFInfo
- Publication number
- CN117521084B CN117521084B CN202311707100.3A CN202311707100A CN117521084B CN 117521084 B CN117521084 B CN 117521084B CN 202311707100 A CN202311707100 A CN 202311707100A CN 117521084 B CN117521084 B CN 117521084B
- Authority
- CN
- China
- Prior art keywords
- data
- complexity
- matrix
- complex system
- entropy
- 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 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000003070 Statistical process control Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明公开了一种复杂系统的主动安全预警方法，涉及数据监测技术领域，基于所采集的的时序状态数据，利用复杂度算法计算复杂系统的复杂度值作为所监控复杂系统的一项整体性综合指标，通过分析复杂度发现系统异常，该方法相较于现有技术能更早发现异常并进行预警，避免系统“带病”运行，提高系统安全性，降低运维成本，保障生产稳定运行，降低安全事故风险和危害。
Description
技术领域
本发明涉及数据监测技术领域，更具体的说是涉及一种复杂系统的主动安全预警方法。
背景技术
目前，各类复杂系统普遍通过“单阈值”的方式进行故障告警。这种方法无法及时、全面反映系统风险隐患，已有系统每天的虚警记录成千上万，管理人员无从下手，还有情况是事故已经发生但阈值并未给出警示。
复杂系统另外一种故障预警方式是通过物理建模并配合机器学习来实现复杂系统风险预测。但是，机器学习方式的弊端有两点，一、建模工作量大往往需要人员即懂专业又要有相当深厚的算法和IT背景；二、机器学习需要大量失效数据即故障数据，但获取这些数据的成本是巨大的，而且也无法做到各种失效特性都收集全面。
因此，如何实现复杂系统的准确预警，同时降低数据处理量是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种复杂系统的主动安全预警方法，能够及早发现和处置系统安全隐患，避免系统“带病”运行，提高系统安全性，降低运维成本，保障生产稳定运行，降低安全事故风险和危害。
为了实现上述目的，本发明采用如下技术方案：
一种复杂系统的主动安全预警方法，包括以下步骤：
步骤1：采集复杂系统的时序监控数据，并根据设定窗口和步长值从所述时序监控数据中选取窗口数据；
步骤2：根据所述窗口数据中的若干组参数数据采用最大互信息算法计算构建出所述窗口数据的数据关系矩阵；
步骤3：根据所述窗口数据中的若干组所述参数数据采用信息熵公式计算所述窗口数据的熵矩阵；
步骤4：根据数据关系矩阵和熵矩阵获得所述窗口数据的复杂度矩阵；
步骤5：根据复杂度矩阵计算所述复杂系统的复杂度值；
步骤6：根据所述复杂度值进行预警判断，生成预警结果。
优选的，预警结果包括运行正常、潜在故障、一般故障和严重故障。
优选的，采用所述最大互信息算法计算所述窗口数据中同一时刻每两组所述参数数据之间的非线性相关度，所有参数数据组合对应的所述非线性相关度组成所述数据关系矩阵。
优选的，采用所述信息熵公式计算所述窗口数据中同一时刻每两组所述参数数据之间的熵，所有参数数据组合对应的所述熵组成所述熵矩阵。
优选的，将所述数据关系矩阵和所述熵矩阵进行哈达玛积运算，得到所述复杂度矩阵。
优选的，对所述复杂度矩阵取范数，得到所述复杂度值。
优选的，获取所述复杂系统正常运行过程中的正常监测数据，根据上述步骤1-步骤5计算正常复杂度值，对正常复杂度值进行正态分布处理，按统计过程控制方法确定报警阈值，不同报警阈值对应不同预警结果。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种复杂系统的主动安全预警方法，对于复杂系统，基于所采集的的时序状态数据，利用复杂度算法计算复杂系统的复杂度值作为所监控复杂系统的一项整体性综合指标，通过分析系统的复杂度，进而发现系统异常点，从而提供一种能比“单变量”阈值检测更早发现异常的预警方法，能够及早发现和处置系统安全隐患，避免系统“带病”运行，提高系统安全性，降低运维成本，保障生产稳定运行，降低安全事故风险和危害。
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，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种复杂系统的主动安全预警方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明实施例公开了一种复杂系统的主动安全预警方法，如图1所示，包括以下步骤：
S1，将复杂系统的时序数据按照指定窗口和步长值，划分为多个数据窗口，每个数据窗口包括若干组参数数据组成的窗口数据；
S2，对于每个数据窗口，对窗口数据中同一时刻每两组参数数据利用最大互信息算法，计算两组参数数据之间的非线性相关度，从而根据所有非线性相关度得到数据窗口对应的数据关系矩阵S；
S3，利用信息熵公式，对窗口数据中同一时刻每两组参数数据进行计算，得出每两个变量的熵值，从而得到熵矩阵E；
S4，将数据关系矩阵S和熵矩阵E进行哈达玛积运算，得到复杂度矩阵，对复杂度矩阵取范数，计算得出的值作为当前复杂系统的复杂度值C。
S5，采集复杂系统正常运行过程中的监测数据，并按照上述过程S1-S3计算获得其正常运行过程中的正常复杂度值，依据复杂系统正常运行过程中的正常复杂度值，按照统计过程控制(SPC)的方法，将控制界限设定在中值±3σ的位置，将其作为系统的报警阈值，σ为标准差；根据报警阈值定义复杂系统异常预警等级，为复杂系统复杂度做预警分级，包括：严重故障、一般故障、潜在故障等。
进一步的，可以在监测算法引擎中自定义报警等级，形成复杂系统安全防护措施方案，在生成预警结果的同时推荐安全防护措施方案。
本发明对复杂系统的各类监控数据进行采集，基于复杂度技术对各类监控数据进行分析，并通过系统复杂度分析计算获得的结果，对复杂系统进行早期异常监测。
对于复杂系统，将其正常状态时的复杂度值按照统计过程控制的方法，计算出其中值上下3个标准差的范围，作为复杂度值的正常范围；在对系统监控时，将每一时刻计算出的复杂度值与该正常范围进行比较，如果复杂度值超出正常范围，则说明复杂度值异常，进一步说明此时系统的结构出现了异常，根据复杂度值异常对应的监测数据确定异常位置。本发明能够早于系统各参数超出各自设定阈值识别出系统内部结构的异常，从而能对系统异常点进行快速、直观的预警。
实施例2
基于上述实施例，在一个具体实施例中，对储能电站系统进行安全预警，包括以下步骤：
S1：采集储能电站系统的每个电池单体每分钟的电压、温度和SOC数据；根据监测间隔需求，设定窗口为10，窗口滑动步长值为10，则选取最近10分钟的数据，构建10行3列的窗口数据；
S2：根据每个窗口数据中各电池单体的电压、温度和SOC数据，采用最大互信息算法，计算同一时刻每两列变量之间的非线性相关度，并根据所有非线性相关度构建数据关系矩阵；
S3：根据信息熵公式计算同一时刻每两列变量之间的熵，并根据所有熵构建熵矩阵E；
信息熵公式为：H(X)＝-Σp(x)logp(x)，其中，x是窗口数据中出现过的两个变量的值组合，p(x)是该组合出现的概率；
S4：利用数据关系矩阵S和熵矩阵E进行哈达玛积运算，获得复杂度矩阵C；
C＝S·E，其中·为哈达玛积运算；
S5：对复杂度矩阵C取2-范数，从而计算出复杂度值；
复杂度＝||C||2
S6：将复杂度值和依据正常监测数据确定的报警阈值进行对比，判断其预警等级。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业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公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种复杂系统的主动安全预警方法，其特征在于，包括以下步骤：
步骤1：采集复杂系统的时序监控数据，并根据设定窗口和步长值从所述时序监控数据中选取窗口数据；
步骤2：根据所述窗口数据中的若干组参数数据采用最大互信息算法获得数据关系矩阵；采用所述最大互信息算法计算所述窗口数据中同一时刻每两组所述参数数据之间的非线性相关度，所有参数数据组合对应的所述非线性相关度组成所述数据关系矩阵；
步骤3：根据所述窗口数据中的若干组所述参数数据采用信息熵公式获得熵矩阵；采用所述信息熵公式计算所述窗口数据中同一时刻每两组所述参数数据之间的熵，所有参数数据组合对应的所述熵组成所述熵矩阵；
步骤4：根据所述数据关系矩阵和所述熵矩阵获得复杂度矩阵；将所述数据关系矩阵和所述熵矩阵进行哈达玛积运算，得到所述复杂度矩阵；
步骤5：根据所述复杂度矩阵计算所述复杂系统的复杂度值；
步骤6：根据所述复杂度值进行预警判断，生成预警结果。
2.根据权利要求1所述的一种复杂系统的主动安全预警方法，其特征在于，预警结果包括运行正常、潜在故障、一般故障和严重故障。
3.根据权利要求1所述的一种复杂系统的主动安全预警方法，其特征在于，对所述复杂度矩阵取范数，得到所述复杂度值。
4.根据权利要求1所述的一种复杂系统的主动安全预警方法，其特征在于，获取所述复杂系统正常运行过程中的正常监测数据，根据所述步骤1-步骤5计算正常复杂度值，对正常复杂度值进行正态分布处理，按统计过程控制方法确定报警阈值，不同的所述报警阈值对应不同的所述预警结果，所述步骤6中的所述复杂度值与所述报警阈值进行对比，确定对应的预警结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311707100.3A CN117521084B (zh) | 2023-12-13 | 一种复杂系统的主动安全预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311707100.3A CN117521084B (zh) | 2023-12-13 | 一种复杂系统的主动安全预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117521084A CN117521084A (zh) | 2024-02-06 |
| CN117521084B true CN117521084B (zh) | 2024-06-11 |
Family
ID=
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103716177A (zh) * | 2013-11-18 | 2014-04-09 | 国家电网公司 | 安全风险评估方法和装置 |
| CN114036035A (zh) * | 2021-11-17 | 2022-02-11 | 雅切克·马奇克 | 一种基于实时数据流量化复杂度的异常识别的方法 |
| CN115130540A (zh) * | 2022-04-24 | 2022-09-30 | 山西省交通建设工程质量检测中心（有限公司） | 一种基于多粒度时间窗的桥梁异常点识别方法和装置 |
| CN115186500A (zh) * | 2022-07-26 | 2022-10-14 | 北京理工大学 | 基于柯氏复杂度的电池风险预警方法 |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103716177A (zh) * | 2013-11-18 | 2014-04-09 | 国家电网公司 | 安全风险评估方法和装置 |
| CN114036035A (zh) * | 2021-11-17 | 2022-02-11 | 雅切克·马奇克 | 一种基于实时数据流量化复杂度的异常识别的方法 |
| CN115130540A (zh) * | 2022-04-24 | 2022-09-30 | 山西省交通建设工程质量检测中心（有限公司） | 一种基于多粒度时间窗的桥梁异常点识别方法和装置 |
| CN115186500A (zh) * | 2022-07-26 | 2022-10-14 | 北京理工大学 | 基于柯氏复杂度的电池风险预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 复杂工程系统的可靠控制(续);胡寿松 等;《华北电力大学学报》;20030530(第03期);第41-45页 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
| CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
| CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
| CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
| CN104615122B (zh) | 一种工控信号检测系统及检测方法 | |
| CN114861827B (zh) | 基于多源数据融合的采煤机预测诊断与健康管理方法 | |
| CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
| CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
| CN106096789A (zh) | 一种基于机器学习技术的可自感知异常的工控安全防护与报警系统 | |
| CN113708493A (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
| CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
| CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及系统 | |
| CN115524002A (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
| CN117391675A (zh) | 一种数据中心基础设施运维管理方法 | |
| CN117521084B (zh) | 一种复杂系统的主动安全预警方法 | |
| CN117521498A (zh) | 一种充电桩引导式故障诊断预测方法及系统 | |
| CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
| CN117521084A (zh) | 一种复杂系统的主动安全预警方法 | |
| JP7062505B2 (ja) | 設備管理支援システム | |
| CN111158338A (zh) | 一种基于主成分分析的化工风险监测方法 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN115901004A (zh) | 一种热镀锌生产线锌锅感应加热器健康监测系统及方法 | |
| KR101896442B1 (ko) | Ict 융합형 풍력 발전 단지 모니터링 시스템, 서버 및 방법 | |
| CN105809257B (zh) | 一种基于电力通信网络的触发式状态检修方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |