CN117639267A - 基于人工智能技术的电网调控系统稳态信息传输异常检测方法 - Google Patents

Abstract

本发明公开了基于人工智能技术的电网调控系统稳态信息传输异常检测方法，具体涉及电网异常检测技术领域，包括具体步骤如下：S1、数据采集，S2、数据预处理，S3、故障特征模型，S4、构建模型，S5、针对性异常检测，S6、反馈和优化，S7、数据可视化，S8、自动化处理。本发明通过电网调控系统中采集稳态信息，包括电流、电压、功率参数，以及天气数据、负荷数据相关数据采集计算，数据进行清洗、归一化、特征提取处理，以去除噪声和异常值，各个节点数据能够实现高效处理计算，计算处理时更加及时，提高电网调控系统稳态信息传输异常检测精确性。

Description

基于人工智能技术的电网调控系统稳态信息传输异常检测 方法

技术领域

本发明涉及电网异常检测技术领域，更具体地说，本发明涉及基于人工智能技术的电网调控系统稳态信息传输异常检测方法。

背景技术

基于人工智能技术的电网调控系统稳态信息传输异常检测方法可以发挥利用人工智能技术对电网的大量数据进行高效、精准的分析和处理，能够实现对电网运行状态的实时监测和预测，这种方法可以更好地发现潜在的故障风险和问题，并及时采取措施进行修复，提高电网的安全性和可靠性。

经检索在公开的技术文献中，中国专利公开号CN115423009A的专利公开了一种面向云边协同的电力设备故障识别方法及系统，该专利主要利用边缘物联终端或者采集终端实时采集数据进行故障现象识别故障原因，故障原因定位故障部件，解决了云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题，具有显著的应用价值；该方法还存在如下缺陷；

上述电网调控系统稳态信息传输异常检测时，由于数据只能通过各种传感器实现检测，而传感器检测过程中难以对电网调控系统稳态信息传输异常节点进行计算，这就导致各个节点数据难以高效处理计算，计算处理时效性较差，影响电网调控系统稳态信息传输异常检测精确性，因此需要电网调控系统稳态信息传输异常检测。

发明内容

为了克服现有技术的上述缺陷，本发明提供基于人工智能技术的电网调控系统稳态信息传输异常检测方法。

为实现上述目的，本发明提供如下技术方案：基于人工智能技术的电网调控系统稳态信息传输异常检测方法，包括具体步骤如下：

S1、数据采集：电网调控系统中采集稳态信息，包括电流、电压、功率参数，以及天气数据、负荷数据相关数据采集计算，计算完毕后输送到云数据库中储存；

S2、数据预处理：对采集的数据进行清洗、归一化、特征提取处理，以去除噪声和异常值，将处理后的数据通过云数据库储存备份；

S3、故障特征模型：对GOOSE通信中初始化、丢顿、离线与在线模型一致性进行在线监视与分析数据采集，满足二次系统状态检修对二次回路通信状态的检测数据建立，对GOOSE利用介质访问控制MAC地址划分逻辑链路，重点对GOOSE通信进行防误操作联/闭锁、保护动作事件、心跳报文丢顿、中断初始化、与SCD系统配置文件，建立后设置通信组播不一致错误分析模型；

S4、构建模型：根据电力系统的特点和异常情况的多样性，选择合适的机器学习算法或深度学习算法构建模型或使用，合成数据建立分析计算模型；

S5、针对性异常检测：将训练好的模型应用于新的稳态信息样本，在1号主变压器发送MMS报告协议后，即可完成针对性故障异常检测；

S6、反馈和优化：根据实际运行情况和异常检测结果，对模型进行优化和改进，主要间隔5—10s内更新一次，数据递交后由后台审核计算，计算方式为在电力系统中，电流、电压和功率的更新方式通常由后台审核计算，并使用以下计算方程式进行更新：

P(t)＝P(t-1)+(I(t)*V(t)-P(t-1))/T

其中，P(t)表示在时刻t的功率值，I(t)表示在时刻t的电流值，V(t)表示在时刻t的电压值，T表示时间间隔，采样完毕后汇集建立反馈和优化模型；

S7、数据可视化：通过数据可视化技术将电网调控系统的稳态信息呈现给操作人员，将预处理后的数据映射到可视化元素上，数据信息转化为图形、图像，将生成的图形、图像在操作界面上展示给操作人员，通过大屏幕显示器设备实现显示，显示屏分区为5—10个间隔屏幕区；

S8、自动化处理：通过云数据库将异常检测处理的整个流程经过模型计算处理后显示分析，处理计算方程式为：

data<-read_data_from_cloud_db()#从云数据库中读取数据

data<-preprocess_data(data)#进行数据预处理，包括清洗、标准化、特征提取，根据分析结果制定相应的处理措施和应对策略，自动化显示电网调控系统稳态信息传输异常检测数据，完成在0.0.6S—0.007S内干预减少人工干预和错误，异常数据收纳到数据库中更新数据完成汇集。

优选地，所述S1中具体计算方式为：I＝V/R，其中，I为电流(A)，V为电压(V)，R为电阻(Ω)，电压计算公式：V＝IR，其中，V为电压(V)，I为电流(A)，R为电阻(Ω)，功率计算公式：P＝IV，其中，P为功率(W)，I为电流(A)，V为电压(V)，欧姆定律：U＝R*I，其中，U为电压(V)，R为电阻(Ω)，I为电流(A)，基尔霍夫定律：ΣI＝0，其中，ΣI为节点电流之和，等于0，所述S1中负荷预测公式：P＝a*(Q/sqrt(1-(d/L)^2))+b，其中，P为预测负荷(kW)，Q为历史负荷(kWh)，d为时间差(h)，L为时间常数(h)，a和b为常数，天气数据预测公式：T＝a*(P/1000)+b*(RH/100)+c*(WS/10)+d，其中，T为预测温度(℃)，P为预测气压(hPa)，RH为预测相对湿度(％)，WS为预测风速(m/s)，a、b、c、d为常数。

优选地，所述S2中归一化计算采用，最大最小归一化，将数据的范围调整到0-1之间，计算公式为：x'＝(x-min)/(max-min)，均值方差归一化，将数据的均值和方差调整到0和1，计算公式为：x'＝(x-mean)/stddev。

优选地，所述S3中数据采集与预处理计算方程式为：定义数据采集函数

function collectData(deviceID,parameter){

//使用适当的工具或协议从设备中获取数据

//返回采集的数据

}

//定义数据预处理函数

function preprocessData(data){

//对数据进行清洗、过滤和转换等操作

//返回预处理后的数据

}：

在线模型训练与预测方程式为：定义在线模型训练函数

function trainOnlineModel(data){

//使用在线学习算法或机器学习框架训练模型

//返回训练好的在线模型

}

//定义在线模型预测函数

function predictOnlineModel(model,inputData){

//使用训练好的在线模型对输入数据进行预测

//返回预测结果

}。

优选地，所述S4中使用监督学习算法构建分类模型为：from sklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import accuracy_score,confusion_matrix

#有一个包含电力系统中各种特征电压、电流、频率的数据集data，以及对应的标签labels

data,labels＝train_test_split(data,test_size＝0.2)

#使用逻辑回归算法进行训练

model＝LogisticRegression()

model.fit(data,labels)

#对测试集进行预测

predictions＝model.predict(test_data)

#评估模型性能

accuracy＝accuracy_score(test_labels,predictions)。

优选地，所述S4中聚类和异常点检测计算方程式为：from sklearn.clusterimport KMeans

from sklearn.preprocessing import StandardScaler

from sklearn.ensemble import IsolationForest

from sklearn.metrics import silhouette_score,f1_score

#假设我们有一个未标记的数据集data，对其进行聚类并检测异常点

#数据标准化

scaler＝StandardScaler()

data＝scaler.fit_transform(data)

#使用K-means算法进行聚类

kmeans＝KMeans(n_clusters＝3)#假设我们想要将数据分为3类

kmeans.fit(data)

labels＝kmeans.labels_

#计算Silhouette分数，评估聚类效果

silhouette＝silhouette_score(data,labels)

print("Silhouette Score:",silhouette)

#使用Isolation Forest算法检测异常点

clf＝IsolationForest(behaviour＝'new',contamination＝'auto')#'new'行为表示新数据点将被视为正常数据，'auto'表示自动确定异常值比例

clf.fit(data)

pred＝clf.predict(data)

good_points＝data[pred＝＝1]#正常数据点

outliers＝data[pred＝＝-1]#异常数据点。

优选地，所述S5中数据发现时有2项信息发生了变化，并且在2s内就进行了归位，通过SCD配置工具对接收到的GOOSE数据进行检查，报告中对这项的描述为：40:1号主变压器220kV与1号主变压器35kV之间GOOSE通信中断；41:1号主变压器110kV与1号主变压器35kV之间GOOSE通信中断，排除后台监控发生差错的可能性，根据以上信息就可以初步断定发生中断的原因是侧控装置，另一种就是测控装置中GOOSE发送的心跳时间为2s，而现场收到的信息为5s。

优选地，所述S6中使用折线图、柱状图、饼图来展示电力系统的电压、电流和功率稳态信息，其中折线图，计算电压(V)与时间(t)的关系：V＝f(t)，计算电流(I)与时间(t)的关系：I＝f(t)，计算功率(P)与时间(t)的关系：P＝f(V,I)，柱状图计算不同时间段内的功率(P)分布：P＝f(t)，计算不同设备或区域的功率(P)分布：P＝f(device/region)饼图，计算不同设备或区域的功率(P)占比：P＝f(device/region)/总功率，计算不同时间段内的功率(P)占比：P＝f(t)/总功率，三种图像采集展示。

优选地，所述S7中异常检测方程式为，predictions<-predict_anomaly(model,data)#使用训练好的模型进行异常检测；

anomalies<-identify_anomalies(predictions,threshold)#根据阈值判断是否存在异常数据；

结果分析方程式为analysis_results<-analyze_anomalies(anomalies)#对异常数据进行深入分析

action_plan<-formulate_action_plan(analysis_results)#。

本发明的技术效果和优点：

1、本发明通过电网调控系统中采集稳态信息，包括电流、电压、功率参数，以及天气数据、负荷数据相关数据采集计算，计算完毕后输送到云数据库中储存，数据进行清洗、归一化、特征提取处理，以去除噪声和异常值，能够实现多截断分布计算处理，从而各个节点数据能够实现高效处理计算，计算处理时更加及时，提高电网调控系统稳态信息传输异常检测精确性；

2、本发明采用通信中初始化、丢顿、离线与在线模型一致性进行在线监视与分析数据采集，满足二次系统状态检修对二次回路通信状态的检测数据建立，重点对GOOSE通信进行防误操作联/闭锁、保护动作事件、心跳报文丢顿、中断初始化、与SCD系统配置文件，据电力系统的特点和异常情况的多样性，选择合适的机器学习算法或深度学习算法构建模型或使用，合成数据建立分析计算模型，通过双模型深度计算处理，实现人工智能数据高效处理，处理分析数据更加及时高效；

3、本发明训练好的模型应用于新的稳态信息样本，在1号主变压器发送MMS报告协议后，针对性故障异常检测，根据实际运行情况和异常检测结果，对模型进行优化和改进，主要间隔5—10s内更新一次，数据递交后由后台审核计算，计算方式为在电力系统中，电流、电压和功率的更新方式通常由后台审核计算，并使用以下计算方程式进行更新，能够对及时处理的数据进行各个节点技术处理，从而数据更新处理数据能够有效提高，处理更加及时；

4、利用通过数据可视化技术将电网调控系统的稳态信息呈现给操作人员，将预处理后的数据映射到可视化元素上，数据信息转化为图形、图像，将生成的图形、图像在操作界面上展示给操作人员，通过云数据库将异常检测处理的整个流程经过模型计算处理后显示分析，完成在0.0.6S—0.007S内干预减少人工干预和错误，异常数据收纳到数据库中更新数据完成汇集，处理数据更加及时高效。

附图说明

图1为本发明的基于人工智能技术的电网调控系统稳态信息传输异常检测方法运行流程示意图。

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。

如附图1所示的基于人工智能技术的电网调控系统稳态信息传输异常检测方法，得出如下三组实施例。

实施例1：

基于人工智能技术的电网调控系统稳态信息传输异常检测方法，包括具体步骤如下：

数据采集：电网调控系统中采集稳态信息，包括电流、电压、功率参数，以及天气数据、负荷数据相关数据采集计算，具体计算方式为：I＝V/R，其中，I为电流(A)，V为电压(V)，R为电阻(Ω)，电压计算公式：V＝IR，其中，V为电压(V)，I为电流(A)，R为电阻(Ω)，功率计算公式：P＝IV，其中，P为功率(W)，I为电流(A)，V为电压(V)，欧姆定律：U＝R*I，其中，U为电压(V)，R为电阻(Ω)，I为电流(A)，基尔霍夫定律：ΣI＝0，其中，ΣI为节点电流之和，等于0，负荷预测公式：P＝a*(Q/sqrt(1-(d/L)^2))+b，其中，P为预测负荷(kW)，Q为历史负荷(kWh)，d为时间差(h)，L为时间常数(h)，a和b为常数，天气数据预测公式：T＝a*(P/1000)+b*(RH/100)+c*(WS/10)+d，其中，T为预测温度(℃)，P为预测气压(hPa)，RH为预测相对湿度(％)，WS为预测风速(m/s)，a、b、c、d为常数，计算完毕后输送到云数据库中储存；

故障特征模型：对GOOSE通信中初始化、丢顿、离线与在线模型一致性进行在线监视与分析数据采集，数据采集与预处理计算方程式为：定义数据采集函数

function collectData(deviceID,parameter){

//使用适当的工具或协议从设备中获取数据

//返回采集的数据

}

//定义数据预处理函数

function preprocessData(data){

//对数据进行清洗、过滤和转换等操作

//返回预处理后的数据

}：

在线模型训练与预测方程式为：定义在线模型训练函数

function trainOnlineModel(data){

//使用在线学习算法或机器学习框架训练模型

//返回训练好的在线模型

}

//定义在线模型预测函数

function predictOnlineModel(model,inputData){

//使用训练好的在线模型对输入数据进行预测

//返回预测结果

}，满足二次系统状态检修对二次回路通信状态的检测数据建立，对GOOSE利用介质访问控制MAC地址划分逻辑链路，重点对GOOSE通信进行防误操作联/闭锁、保护动作事件、心跳报文丢顿、中断初始化、与SCD系统配置文件，建立后设置通信组播不一致错误分析模型，构建模型：根据电力系统的特点和异常情况的多样性，选择合适的机器学习算法或深度学习算法构建模型或使用，使用监督学习算法构建分类模型为：from sklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import accuracy_score,confusion_matrix

#有一个包含电力系统中各种特征电压、电流、频率的数据集data，以及对应的标签labels

data,labels＝train_test_split(data,test_size＝0.2)

#使用逻辑回归算法进行训练

model＝LogisticRegression()

model.fit(data,labels)

#对测试集进行预测

predictions＝model.predict(test_data)

#评估模型性能

accuracy＝accuracy_score(test_labels,predictions)，聚类和异常点检测计算方程式为：from sklearn.cluster import KMeans

from sklearn.preprocessing import StandardScaler

from sklearn.ensemble import IsolationForest

from sklearn.metrics import silhouette_score,f1_score

#假设我们有一个未标记的数据集data，对其进行聚类并检测异常点

#数据标准化

scaler＝StandardScaler()

data＝scaler.fit_transform(data)

#使用K-means算法进行聚类

kmeans＝KMeans(n_clusters＝3)#假设我们想要将数据分为3类

kmeans.fit(data)

labels＝kmeans.labels_

#计算Silhouette分数，评估聚类效果

silhouette＝silhouette_score(data,labels)

print("Silhouette Score:",silhouette)

#使用Isolation Forest算法检测异常点

clf＝IsolationForest(behaviour＝'new',contamination＝'auto')#'new'行为表示新数据点将被视为正常数据，'auto'表示自动确定异常值比例

clf.fit(data)

pred＝clf.predict(data)

good_points＝data[pred＝＝1]#正常数据点

outliers＝data[pred＝＝-1]#异常数据点，完成数据建立分析计算模型，针对性异常检测：将训练好的模型应用于新的稳态信息样本，在1号主变压器发送MMS报告协议后，即可完成针对性故障异常检测；

反馈和优化：根据实际运行情况和异常检测结果，对模型进行优化和改进，主要间隔5—10s内更新一次，数据递交后由后台审核计算，计算方式为在电力系统中，电流、电压和功率的更新方式通常由后台审核计算，并使用以下计算方程式进行更新：

P(t)＝P(t-1)+(I(t)*V(t)-P(t-1))/T

其中，P(t)表示在时刻t的功率值，I(t)表示在时刻t的电流值，V(t)表示在时刻t的电压值，T表示时间间隔，数据发现时有2项信息发生了变化，并且在2s内就进行了归位，通过SCD配置工具对接收到的GOOSE数据进行检查，报告中对这项的描述为：40:1号主变压器220kV与1号主变压器35kV之间GOOSE通信中断；41:1号主变压器110kV与1号主变压器35kV之间GOOSE通信中断，排除后台监控发生差错的可能性，根据以上信息就可以初步断定发生中断的原因是测控装置，另一种就是测控装置中GOOSE发送的心跳时间为2s，而现场收到的信息为5s，采样完毕后汇集建立反馈和优化模型；

数据可视化：通过数据可视化技术将电网调控系统的稳态信息呈现给操作人员，将预处理后的数据映射到可视化元素上，数据信息转化为图形、图像，使用折线图、柱状图、饼图来展示电力系统的电压、电流和功率稳态信息，其中折线图，计算电压(V)与时间(t)的关系：V＝f(t)，计算电流(I)与时间(t)的关系：I＝f(t)，计算功率(P)与时间(t)的关系：P＝f(V,I)，柱状图计算不同时间段内的功率(P)分布：P＝f(t)，计算不同设备或区域的功率(P)分布：P＝f(device/region)饼图，计算不同设备或区域的功率(P)占比：P＝f(device/region)/总功率，计算不同时间段内的功率(P)占比：P＝f(t)/总功率，三种图像采集展示，将生成的图形、图像在操作界面上展示给操作人员，通过大屏幕显示器设备实现显示，显示屏分区为5-10个间隔屏幕区；

自动化处理：通过云数据库将异常检测处理的整个流程经过模型计算处理后显示分析，处理计算方程式为：

data<-read_data_from_cloud_db()#从云数据库中读取数据

data<-preprocess_data(data)#进行数据预处理，包括清洗、标准化、特征提取，根据分析结果制定相应的处理措施和应对策略，自动化显示电网调控系统稳态信息传输异常检测数据，异常检测方程式为，predictions<-predict_anomaly(model,data)#使用训练好的模型进行异常检测；

anomalies<-identify_anomalies(predictions,threshold)#根据阈值判断是否存在异常数据；

结果分析方程式为analysis_results<-analyze_anomalies(anomalies)#对异常数据进行深入分析

action_plan<-formulate_action_plan(analysis_results)#完成在0.0.6S—0.007S内干预减少人工干预和错误，异常数据收纳到数据库中更新数据完成汇集。

实施例2：

基于人工智能技术的电网调控系统稳态信息传输异常检测方法，包括具体步骤如下：

数据采集：电网调控系统中采集稳态信息，包括电流、电压、功率参数，以及天气数据、负荷数据相关数据采集计算，具体计算方式为：I＝V/R，其中，I为电流(A)，V为电压(V)，R为电阻(Ω)，电压计算公式：V＝IR，其中，V为电压(V)，I为电流(A)，R为电阻(Ω)，功率计算公式：P＝IV，其中，P为功率(W)，I为电流(A)，V为电压(V)，欧姆定律：U＝R*I，其中，U为电压(V)，R为电阻(Ω)，I为电流(A)，基尔霍夫定律：ΣI＝0，其中，ΣI为节点电流之和，等于0，负荷预测公式：P＝a*(Q/sqrt(1-(d/L)^2))+b，其中，P为预测负荷(kW)，Q为历史负荷(kWh)，d为时间差(h)，L为时间常数(h)，a和b为常数，天气数据预测公式：T＝a*(P/1000)+b*(RH/100)+c*(WS/10)+d，其中，T为预测温度(℃)，P为预测气压(hPa)，RH为预测相对湿度(％)，WS为预测风速(m/s)，a、b、c、d为常数，计算完毕后输送到云数据库中储存；

构建模型：根据电力系统的特点和异常情况的多样性，选择合适的机器学习算法或深度学习算法构建模型或使用，使用监督学习算法构建分类模型为：fromsklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import accuracy_score,confusion_matrix

#有一个包含电力系统中各种特征电压、电流、频率的数据集data，以及对应的标签labels

data,labels＝train_test_split(data,test_size＝0.2)

#使用逻辑回归算法进行训练

model＝LogisticRegression()

model.fit(data,labels)

#对测试集进行预测

predictions＝model.predict(test_data)

#评估模型性能

accuracy＝accuracy_score(test_labels,predictions)，聚类和异常点检测计算方程式为：from sklearn.cluster import KMeans

from sklearn.preprocessing import StandardScaler

from sklearn.ensemble import IsolationForest

from sklearn.metrics import silhouette_score,f1_score

#假设我们有一个未标记的数据集data，对其进行聚类并检测异常点

#数据标准化

scaler＝StandardScaler()

data＝scaler.fit_transform(data)

#使用K-means算法进行聚类

kmeans＝KMeans(n_clusters＝3)#假设我们想要将数据分为3类

kmeans.fit(data)

labels＝kmeans.labels_

#计算Silhouette分数，评估聚类效果

silhouette＝silhouette_score(data,labels)

print("Silhouette Score:",silhouette)

#使用Isolation Forest算法检测异常点

clf＝IsolationForest(behaviour＝'new',contamination＝'auto')#'new'行为表示新数据点将被视为正常数据，'auto'表示自动确定异常值比例

clf.fit(data)

pred＝clf.predict(data)

good_points＝data[pred＝＝1]#正常数据点

outliers＝data[pred＝＝-1]#异常数据点，合成数据建立分析计算模型；

针对性异常检测：将训练好的模型应用于新的稳态信息样本，在1号主变压器发送MMS报告协议后，即可完成针对性故障异常检测；

反馈和优化：根据实际运行情况和异常检测结果，对模型进行优化和改进，主要间隔5—10s内更新一次，数据递交后由后台审核计算，计算方式为在电力系统中，电流、电压和功率的更新方式通常由后台审核计算，并使用以下计算方程式进行更新：

P(t)＝P(t-1)+(I(t)*V(t)-P(t-1))/T

其中，P(t)表示在时刻t的功率值，I(t)表示在时刻t的电流值，V(t)表示在时刻t的电压值，T表示时间间隔，数据发现时有2项信息发生了变化，并且在2s内就进行了归位，通过SCD配置工具对接收到的GOOSE数据进行检查，报告中对这项的描述为：40:1号主变压器220kV与1号主变压器35kV之间GOOSE通信中断；41:1号主变压器110kV与1号主变压器35kV之间GOOSE通信中断，排除后台监控发生差错的可能性，根据以上信息就可以初步断定发生中断的原因是测控装置，另一种就是测控装置中GOOSE发送的心跳时间为2s，而现场收到的信息为5s，采样完毕后汇集建立反馈和优化模型，数据可视化：通过数据可视化技术将电网调控系统的稳态信息呈现给操作人员，将预处理后的数据映射到可视化元素上，数据信息转化为图形、图像，使用折线图、柱状图、饼图来展示电力系统的电压、电流和功率稳态信息，其中折线图，计算电压(V)与时间(t)的关系：V＝f(t)，计算电流(I)与时间(t)的关系：I＝f(t)，计算功率(P)与时间(t)的关系：P＝f(V,I)，柱状图计算不同时间段内的功率(P)分布：P＝f(t)，计算不同设备或区域的功率(P)分布：P＝f(device/region)饼图，计算不同设备或区域的功率(P)占比：P＝f(device/region)/总功率，计算不同时间段内的功率(P)占比：P＝f(t)/总功率，三种图像采集展示，将生成的图形、图像在操作界面上展示给操作人员，通过大屏幕显示器设备实现显示，显示屏分区为5-10个间隔屏幕区；

自动化处理：通过云数据库将异常检测处理的整个流程经过模型计算处理后显示分析，处理计算方程式为：

data<-read_data_from_cloud_db()#从云数据库中读取数据

data<-preprocess_data(data)#进行数据预处理，包括清洗、标准化、特征提取，根据分析结果制定相应的处理措施和应对策略，自动化显示电网调控系统稳态信息传输异常检测数据，异常检测方程式为，predictions<-predict_anomaly(model,data)#使用训练好的模型进行异常检测；

anomalies<-identify_anomalies(predictions,threshold)#根据阈值判断是否存在异常数据；

结果分析方程式为analysis_results<-analyze_anomalies(anomalies)#对异常数据进行深入分析

action_plan<-formulate_action_plan(analysis_results)#完成在0.0.6S—0.007S内干预减少人工干预和错误，异常数据收纳到数据库中更新数据完成汇集。

实施例3：

基于人工智能技术的电网调控系统稳态信息传输异常检测方法，包括具体步骤如下：

数据采集：电网调控系统中采集稳态信息，包括电流、电压、功率参数，以及天气数据、负荷数据相关数据采集计算，具体计算方式为：I＝V/R，其中，I为电流(A)，V为电压(V)，R为电阻(Ω)，电压计算公式：V＝IR，其中，V为电压(V)，I为电流(A)，R为电阻(Ω)，功率计算公式：P＝IV，其中，P为功率(W)，I为电流(A)，V为电压(V)，欧姆定律：U＝R*I，其中，U为电压(V)，R为电阻(Ω)，I为电流(A)，基尔霍夫定律：ΣI＝0，其中，ΣI为节点电流之和，等于0，负荷预测公式：P＝a*(Q/sqrt(1-(d/L)^2))+b，其中，P为预测负荷(kW)，Q为历史负荷(kWh)，d为时间差(h)，L为时间常数(h)，a和b为常数，天气数据预测公式：T＝a*(P/1000)+b*(RH/100)+c*(WS/10)+d，其中，T为预测温度(℃)，P为预测气压(hPa)，RH为预测相对湿度(％)，WS为预测风速(m/s)，a、b、c、d为常数，计算完毕后输送到云数据库中储存；

数据预处理：对采集的数据进行清洗、归一化、特征提取处理，以去除噪声和异常值，归一化计算采用，最大最小归一化，将数据的范围调整到0-1之间，计算公式为：x'＝(x-min)/(max-min)，均值方差归一化，将数据的均值和方差调整到0和1，计算公式为：x'＝(x-mean)/stddev，将处理后的数据通过云数据库储存备份；

S3、故障特征模型：对GOOSE通信中初始化、丢顿、离线与在线模型一致性进行在线监视与分析数据采集，数据采集与预处理计算方程式为：定义数据采集函数

function collectData(deviceID,parameter){

//使用适当的工具或协议从设备中获取数据

//返回采集的数据

}

//定义数据预处理函数

function preprocessData(data){

//对数据进行清洗、过滤和转换等操作

//返回预处理后的数据

}：

在线模型训练与预测方程式为：定义在线模型训练函数

function trainOnlineModel(data){

//使用在线学习算法或机器学习框架训练模型

//返回训练好的在线模型

}

//定义在线模型预测函数

function predictOnlineModel(model,inputData){

//使用训练好的在线模型对输入数据进行预测

//返回预测结果

}，满足二次系统状态检修对二次回路通信状态的检测数据建立，对GOOSE利用介质访问控制MAC地址划分逻辑链路，重点对GOOSE通信进行防误操作联/闭锁、保护动作事件、心跳报文丢顿、中断初始化、与SCD系统配置文件，建立后设置通信组播不一致错误分析模型；

构建模型：根据电力系统的特点和异常情况的多样性，选择合适的机器学习算法或深度学习算法构建模型或使用，使用监督学习算法构建分类模型为：fromsklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import accuracy_score,confusion_matrix

#有一个包含电力系统中各种特征电压、电流、频率的数据集data，以及对应的标签labels

data,labels＝train_test_split(data,test_size＝0.2)

#使用逻辑回归算法进行训练

model＝LogisticRegression()

model.fit(data,labels)

#对测试集进行预测

predictions＝model.predict(test_data)

#评估模型性能

accuracy＝accuracy_score(test_labels,predictions)，聚类和异常点检测计算方程式为：from sklearn.cluster import KMeans

from sklearn.preprocessing import StandardScaler

from sklearn.ensemble import IsolationForest

from sklearn.metrics import silhouette_score,f1_score

#假设我们有一个未标记的数据集data，对其进行聚类并检测异常点

#数据标准化

scaler＝StandardScaler()

data＝scaler.fit_transform(data)

#使用K-means算法进行聚类

kmeans＝KMeans(n_clusters＝3)#假设我们想要将数据分为3类

kmeans.fit(data)

labels＝kmeans.labels_

#计算Silhouette分数，评估聚类效果

silhouette＝silhouette_score(data,labels)

print("Silhouette Score:",silhouette)

#使用Isolation Forest算法检测异常点

clf＝IsolationForest(behaviour＝'new',contamination＝'auto')#'new'行为表示新数据点将被视为正常数据，'auto'表示自动确定异常值比例

clf.fit(data)

pred＝clf.predict(data)

good_points＝data[pred＝＝1]#正常数据点

outliers＝data[pred＝＝-1]#异常数据点，合成数据建立分析计算模型；

S5、针对性异常检测：将训练好的模型应用于新的稳态信息样本，在1号主变压器发送MMS报告协议后，即可完成针对性故障异常检测；

反馈和优化：根据实际运行情况和异常检测结果，对模型进行优化和改进，主要间隔5—10s内更新一次，数据递交后由后台审核计算，计算方式为在电力系统中，电流、电压和功率的更新方式通常由后台审核计算，并使用以下计算方程式进行更新：

P(t)＝P(t-1)+(I(t)*V(t)-P(t-1))/T

其中，P(t)表示在时刻t的功率值，I(t)表示在时刻t的电流值，V(t)表示在时刻t的电压值，T表示时间间隔，数据发现时有2项信息发生了变化，并且在2s内就进行了归位，通过SCD配置工具对接收到的GOOSE数据进行检查，报告中对这项的描述为：40:1号主变压器220kV与1号主变压器35kV之间GOOSE通信中断；41:1号主变压器110kV与1号主变压器35kV之间GOOSE通信中断，排除后台监控发生差错的可能性，根据以上信息就可以初步断定发生中断的原因是测控装置，另一种就是测控装置中GOOSE发送的心跳时间为2s，而现场收到的信息为5s，采样完毕后汇集建立反馈和优化模型；

数据可视化：通过数据可视化技术将电网调控系统的稳态信息呈现给操作人员，将预处理后的数据映射到可视化元素上，数据信息转化为图形、图像，使用折线图、柱状图、饼图来展示电力系统的电压、电流和功率稳态信息，其中折线图，计算电压(V)与时间(t)的关系：V＝f(t)，计算电流(I)与时间(t)的关系：I＝f(t)，计算功率(P)与时间(t)的关系：P＝f(V,I)，柱状图计算不同时间段内的功率(P)分布：P＝f(t)，计算不同设备或区域的功率(P)分布：P＝f(device/region)饼图，计算不同设备或区域的功率(P)占比：P＝f(device/region)/总功率，计算不同时间段内的功率(P)占比：P＝f(t)/总功率，三种图像采集展示，将生成的图形、图像在操作界面上展示给操作人员，通过大屏幕显示器设备实现显示，显示屏分区为5-10个间隔屏幕区；

自动化处理：通过云数据库将异常检测处理的整个流程经过模型计算处理后显示分析，处理计算方程式为：

data<-read_data_from_cloud_db()#从云数据库中读取数据

data<-preprocess_data(data)#进行数据预处理，包括清洗、标准化、特征提取，根据分析结果制定相应的处理措施和应对策略，自动化显示电网调控系统稳态信息传输异常检测数据，异常检测方程式为，predictions<-predict_anomaly(model,data)#使用训练好的模型进行异常检测；

anomalies<-identify_anomalies(predictions,threshold)#根据阈值判断是否存在异常数据；

结果分析方程式为analysis_results<-analyze_anomalies(anomalies)#对异常数据进行深入分析

action_plan<-formulate_action_plan(analysis_results)#完成在0.0.6S—0.007S内干预减少人工干预和错误，异常数据收纳到数据库中更新数据完成汇集。

上述三组实施例为基于人工智能技术的电网调控系统稳态信息传输异常检测方法运行经过上述计算处理公式即可得出具体三组故障数据；

综合上述三组实施例，其中实施例1中去掉步骤S2后输入检测数据后进行异常数据分析，而实施例2中去掉步骤运行得出异常数据分析，其中实施例3中保存各项步骤运行操作，因此实施例1-3存在运行区别；

综合上述表格可知，实施例3中的节点检测处理效率大于实施例1-2所得到的数值，因此节点检测效率有效提高，并且实施例3中节点检测精确率明显高于实施例1-2，实施例3中电网运行负荷数值明显高于实施例1-2中，因此实施例3中负荷数值明显高于实施例1-2，在实施例3中故障恢复提升率明显高于实施例1-2，故障恢复提升率中实施例3数值明显高于实施例1-2，其中成本降低率中实施例3高于实施例1-2，成本降低数值更多，综上所述电流、电压、功率参数，以及天气数据、负荷数据相关数据采集计算，计算完毕后输送到云数据库中储存，数据进行清洗、归一化、特征提取处理，以去除噪声和异常值，能够实现多截断分布计算处理，从而各个节点数据能够实现高效处理计算，计算处理时更加及时，提高电网调控系统稳态信息传输异常检测精确性。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，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 (10)

1.基于人工智能技术的电网调控系统稳态信息传输异常检测方法，其特征在于：包括具体步骤如下：

S1、数据采集：电网调控系统中采集稳态信息，包括电流、电压、功率参数，以及天气数据、负荷数据相关数据采集计算，计算完毕后输送到云数据库中储存；

S2、数据预处理：对采集的数据进行清洗、归一化、特征提取处理，以去除噪声和异常值，将处理后的数据通过云数据库储存备份；

S3、故障特征模型：对GOOSE通信中初始化、丢顿、离线与在线模型一致性进行在线监视与分析数据采集，满足二次系统状态检修对二次回路通信状态的检测数据建立，对GOOSE利用介质访问控制MAC地址划分逻辑链路，重点对GOOSE通信进行防误操作联/闭锁、保护动作事件、心跳报文丢顿、中断初始化、与SCD系统配置文件，建立后设置通信组播不一致错误分析模型；

S4、构建模型：根据电力系统的特点和异常情况的多样性，选择合适的机器学习算法或深度学习算法构建模型或使用，合成数据建立分析计算模型；

S5、针对性异常检测：将训练好的模型应用于新的稳态信息样本，在1号主变压器发送MMS报告协议后，即可完成针对性故障异常检测；

S6、反馈和优化：根据实际运行情况和异常检测结果，对模型进行优化和改进，主要间隔5—10s内更新一次，数据递交后由后台审核计算，计算方式为在电力系统中，电流、电压和功率的更新方式通常由后台审核计算，并使用以下计算方程式进行更新：

P(t)＝P(t-1)+(I(t)*V(t)-P(t-1))/T

其中，P(t)表示在时刻t的功率值，I(t)表示在时刻t的电流值，V(t)表示在时刻t的电压值，T表示时间间隔，采样完毕后汇集建立反馈和优化模型；

S7、数据可视化：通过数据可视化技术将电网调控系统的稳态信息呈现给操作人员，将预处理后的数据映射到可视化元素上，数据信息转化为图形、图像，将生成的图形、图像在操作界面上展示给操作人员，通过大屏幕显示器设备实现显示，显示屏分区为5—10个间隔屏幕区；

S8、自动化处理：通过云数据库将异常检测处理的整个流程经过模型计算处理后显示分析，处理计算方程式为：

data<-read_data_from_cloud_db()#从云数据库中读取数据

data<-preprocess_data(data)#进行数据预处理，包括清洗、标准化、特征提取，根据分析结果制定相应的处理措施和应对策略，自动化显示电网调控系统稳态信息传输异常检测数据，完成在0.0.6S—0.007S内干预减少人工干预和错误，异常数据收纳到数据库中更新数据完成汇集。

2.根据权利要求1所述的基于人工智能技术的电网调控系统稳态信息传输异常检测方法，其特征在于：所述S1中具体计算方式为：I＝V/R，其中，I为电流(A)，V为电压(V)，R为电阻(Ω)，电压计算公式：V＝IR，其中，V为电压(V)，I为电流(A)，R为电阻(Ω)，功率计算公式：P＝IV，其中，P为功率(W)，I为电流(A)，V为电压(V)，欧姆定律：U＝R*I，其中，U为电压(V)，R为电阻(Ω)，I为电流(A)，基尔霍夫定律：ΣI＝0，其中，ΣI为节点电流之和，等于0。

3.根据权利要求1所述的基于人工智能技术的电网调控系统稳态信息传输异常检测方法，其特征在于：所述S1中负荷预测公式：P＝a*(Q/sqrt(1-(d/L)^2))+b，其中，P为预测负荷(kW)，Q为历史负荷(kWh)，d为时间差(h)，L为时间常数(h)，a和b为常数，天气数据预测公式：T＝a*(P/1000)+b*(RH/100)+c*(WS/10)+d，其中，T为预测温度(℃)，P为预测气压(hPa)，RH为预测相对湿度(％)，WS为预测风速(m/s)，a、b、c、d为常数。

4.根据权利要求1所述的基于人工智能技术的电网调控系统稳态信息传输异常检测方法，其特征在于：所述S2中归一化计算采用，最大最小归一化，将数据的范围调整到0-1之间，计算公式为：x'＝(x-min)/(max-min)，均值方差归一化，将数据的均值和方差调整到0和1，计算公式为：x'＝(x-mean)/stddev。

5.根据权利要求1所述的基于人工智能技术的电网调控系统稳态信息传输异常检测方法，其特征在于：所述S3中数据采集与预处理计算方程式为：定义数据采集函数

function collectData(deviceID,parameter){

//使用适当的工具或协议从设备中获取数据

//返回采集的数据

}

//定义数据预处理函数

function preprocessData(data){

//对数据进行清洗、过滤和转换等操作

//返回预处理后的数据

}：

在线模型训练与预测方程式为：定义在线模型训练函数

function trainOnlineModel(data){

//使用在线学习算法或机器学习框架训练模型

//返回训练好的在线模型

}

//定义在线模型预测函数

function predictOnlineModel(model,inputData){

//使用训练好的在线模型对输入数据进行预测

//返回预测结果

}。

6.根据权利要求1所述的基于人工智能技术的电网调控系统稳态信息传输异常检测方法，其特征在于：所述S4中使用监督学习算法构建分类模型为：from sklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import accuracy_score,confusion_matrix

#有一个包含电力系统中各种特征电压、电流、频率的数据集data，以及对应的标签labels

data,labels＝train_test_split(data,test_size＝0.2)

#使用逻辑回归算法进行训练

model＝LogisticRegression()

model.fit(data,labels)

#对测试集进行预测

predictions＝model.predict(test_data)

#评估模型性能

accuracy＝accuracy_score(test_labels,predictions)。

7.根据权利要求1所述的基于人工智能技术的电网调控系统稳态信息传输异常检测方法，其特征在于：所述S4中聚类和异常点检测计算方程式为：from sklearn.clusterimport KMeans

from sklearn.preprocessing import StandardScaler

from sklearn.ensemble import IsolationForest

from sklearn.metrics import silhouette_score,f1_score

#假设我们有一个未标记的数据集data，对其进行聚类并检测异常点

#数据标准化

scaler＝StandardScaler()

data＝scaler.fit_transform(data)

#使用K-means算法进行聚类

kmeans＝KMeans(n_clusters＝3)#假设我们想要将数据分为3类

kmeans.fit(data)

labels＝kmeans.labels_

#计算Silhouette分数，评估聚类效果

silhouette＝silhouette_score(data,labels)

print("Silhouette Score:",silhouette)

#使用Isolation Forest算法检测异常点

clf＝IsolationForest(behaviour＝'new',contamination＝'auto')#'new'行为表示新数据点将被视为正常数据，'auto'表示自动确定异常值比例

clf.fit(data)

pred＝clf.predict(data)

good_points＝data[pred＝＝1]#正常数据点

outliers＝data[pred＝＝-1]#异常数据点。

8.根据权利要求1所述的基于人工智能技术的电网调控系统稳态信息传输异常检测方法，其特征在于：所述S5中数据发现时有2项信息发生了变化，并且在2s内就进行了归位，通过SCD配置工具对接收到的GOOSE数据进行检查，报告中对这项的描述为：40:1号主变压器220kV与1号主变压器35kV之间GOOSE通信中断；41:1号主变压器110kV与1号主变压器35kV之间GOOSE通信中断，排除后台监控发生差错的可能性，根据以上信息就可以初步断定发生中断的原因是测控装置，另一种就是测控装置中GOOSE发送的心跳时间为2s，而现场收到的信息为5s。

9.根据权利要求1所述的基于人工智能技术的电网调控系统稳态信息传输异常检测方法，其特征在于：所述S6中使用折线图、柱状图、饼图来展示电力系统的电压、电流和功率稳态信息，其中折线图，计算电压(V)与时间(t)的关系：V＝f(t)，计算电流(I)与时间(t)的关系：I＝f(t)，计算功率(P)与时间(t)的关系：P＝f(V,I)，柱状图计算不同时间段内的功率(P)分布：P＝f(t)，计算不同设备或区域的功率(P)分布：P＝f(device/region)饼图，计算不同设备或区域的功率(P)占比：P＝f(device/region)/总功率，计算不同时间段内的功率(P)占比：P＝f(t)/总功率，三种图像采集展示。

10.根据权利要求1所述的基于人工智能技术的电网调控系统稳态信息传输异常检测方法，其特征在于：所述S7中异常检测方程式为，predictions<-predict_anomaly(model,data)#使用训练好的模型进行异常检测；

anomalies<-identify_anomalies(predictions,threshold)#根据阈值判断是否存在异常数据；

结果分析方程式为analysis_results<-analyze_anomalies(anomalies)#对异常数据进行深入分析

action_plan<-formulate_action_plan(analysis_results)#。