CN118157331A - 一种基于ai的电网远程指挥运维终端 - Google Patents
一种基于ai的电网远程指挥运维终端 Download PDFInfo
- Publication number
- CN118157331A CN118157331A CN202410582530.5A CN202410582530A CN118157331A CN 118157331 A CN118157331 A CN 118157331A CN 202410582530 A CN202410582530 A CN 202410582530A CN 118157331 A CN118157331 A CN 118157331A
- Authority
- CN
- China
- Prior art keywords
- node
- data
- time
- nodes
- time synchronization
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000013480 data collection Methods 0.000 claims abstract description 11
- 238000002864 sequence alignment Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000000737 periodic effect Effects 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于AI的电网远程指挥运维终端,涉及电网远程指挥运维技术领域,包括数据收集与处理模块、时间序列对齐模块、节点隐患感知模块、隐患分析模块以及时间同步模块;数据收集与处理模块,收集电网各个节点的时间序列数据,对数据进行预处理,确保数据质量;时间序列对齐模块,将各个节点的时间序列数据进行对齐,即将各个节点的时间戳统一为相同的时间间隔,确保不同节点的数据在时间上是一致的。本发明通过对节点时间同步性进行智能化感知和评估,建立时间同步一致性感知模型,可识别出存在时间同步不一致隐患的节点,并将其分为正常节点和隐患节点,进一步分析隐患节点,可以识别出偶然隐患和非偶然隐患,为后续的处理提供指导。
Description
技术领域
本发明涉及电网远程指挥运维技术领域,具体涉及一种基于AI的电网远程指挥运维终端。
背景技术
基于AI的电网远程指挥运维终端是一种利用人工智能技术的设备,旨在实现对电力系统的远程监控、指挥和运维。该终端通过搜集电网各个节点的数据,如电流、电压、负载等信息,并通过AI算法对这些数据进行实时分析和处理,从而实现对电网运行状态的准确评估和预测。此外,还能够根据预先设定的规则和策略,自动化地进行电网设备的调度、故障诊断和处理,提高电网运行的稳定性和可靠性。
该终端的主要功能包括远程监测电网运行状态、智能化运维决策、故障自动识别和应急响应等,能够实时感知电网的实际情况,并根据AI算法对数据进行分析,提供运维人员及时准确的决策支持,帮助他们迅速应对各种异常情况和故障事件。此外,基于AI的电网远程指挥运维终端还具备自学习和优化能力,随着时间的推移,可以不断积累经验和优化算法,提高运维效率和电网的整体性能。
现有技术无法对电网各个节点之间时间同步不一致的情况进行智能化感知,电网各个节点之间存在时间同步不一致将对电网运行状态的准确评估和预测造成严重影响,时间同步不一致会导致数据在时间上的错位,使得电网远程指挥运维终端无法正确地对各个节点的数据进行对比和整合分析,从而影响了对电网整体状态的准确把握;
例如,某些节点数据可能会被错误地解释为同时发生的事件,或者某些事件的时间顺序被颠倒,这可能导致错误的故障诊断和不准确的预测,严重时甚至会引发误报或错失对电网异常情况的及时响应,从而影响电网的安全稳定运行。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的是提供一种基于AI的电网远程指挥运维终端,通过对节点时间同步性进行智能化感知和评估,建立时间同步一致性感知模型,可识别出存在时间同步不一致隐患的节点,并将其分为正常节点和隐患节点,进一步分析隐患节点,可以识别出偶然隐患和非偶然隐患,为后续的处理提供指导,以解决上述背景技术中的问题。
为了实现上述目的,本发明提供如下技术方案:一种基于AI的电网远程指挥运维终端,包括数据收集与处理模块、时间序列对齐模块、节点隐患感知模块、隐患分析模块以及时间同步模块;
数据收集与处理模块,收集电网各个节点的时间序列数据,对数据进行预处理,确保数据质量;
时间序列对齐模块,将各个节点的时间序列数据进行对齐,即将各个节点的时间戳统一为相同的时间间隔,确保不同节点的数据在时间上是一致的;
节点隐患感知模块,分析各个节点数据的周期性特征,计算各个节点之间的数据相关系数,并且对比不同节点之间的数据差异,综合判断各个节点之间的时间同步性,并将节点分为正常节点和隐患节点;
隐患分析模块,将隐患节点筛出,进行进一步隐患分析,并将隐患划分为偶然隐患和非偶然隐患;
时间同步模块,针对非偶然隐患的节点,利用区块链技术,将节点的时间戳记录在区块链上,并通过区块链网络来实现时间同步。
优选的,将电网各个节点的时间序列数据进行对齐的步骤如下:
确定一个统一的时间间隔作为对齐的基准;
对每个节点的时间序列数据进行预处理;
选择一个起始时间点作为对齐的起始点,起始点为所有节点数据中初始的时间戳;
根据统一的时间间隔,对每个节点的数据进行插值或截断处理,使得每个节点的数据点在统一的时间间隔内均匀分布;
根据统一的时间间隔和对齐后的数据,生成每个节点的统一时间序列。
优选的,分析各个节点数据的周期性特征,生成节点数据周期性指数,计算各个节点之间的数据相关系数,生成节点数据相关系数,对比不同节点之间的数据差异,生成节点数据差异指数。
优选的,节点数据周期性指数获取的逻辑如下:
对节点数据进行傅里叶变换,将时域数据转换为频域数据,假设节点数据为,其傅里叶变换为:/>,其中,/>是频域的复数表示,f是频率,/>是虚数单位;
根据傅里叶变换得到的频域数据,计算频域数据功率谱密度,功率谱密度表示在频率f处的信号能量,功率谱密度/>的计算公式为:/>;
选择某个频率范围内的功率谱密度的平均值作为节点数据周期性指数,设选定的频率范围为,则节点数据周期性指数的计算公式为:,其中,/>和/>分别是频率范围的下限和上限,/>为节点数据周期性指数。
优选的,节点数据相关系数获取的逻辑如下:
首先,计算每个节点数据的均值,假设节点X的数据为,节点Y的数据为/>,则节点X和节点Y的均值分别为:/>,/>,其中,/>和/>分别表示节点X和节点Y在第i个时间点的数据值;
计算节点数据的协方差,表示节点数据的变化趋势是否一致,协方差的计算公式为:/>;
计算节点数据的标准差,用于度量数据的波动程度,节点X和节点Y的标准差分别为:,/>;
利用协方差和标准差计算得出的节点数据皮尔逊相关系数来表示节点数据相关系数,节点数据相关系数的计算公式为:/>,式中,/>为节点数据相关系数。
优选的,节点数据差异指数获取的逻辑如下:
步骤1、选择k均值聚类算法,基于聚类的特征,将节点数据表示为特征向量;
步骤2、随机选择k个节点作为初始聚类中心,k为预先设定的聚类数量;
步骤3、对于每个节点,通过欧氏距离表达式计算每个节点与各个聚类中心之间的距离;
步骤4、将每个节点分配到距离最近的聚类中心所属的簇中;
步骤5、对每个簇中的节点,重新计算这个簇的聚类中心;
步骤6、迭代进行节点分配和聚类中心更新,直到聚类中心不再变化或达到预先设定的迭代次数;
步骤7、计算节点数据差异指数,使用各个簇内节点与其对应聚类中心的平均距离的平均值来表示节点数据差异指数,具体计算公式为:,其中,/>为节点数据差异指数,k是聚类数量,/>是第j个簇,/>是簇/>中节点的数量,/>是簇/>的聚类中心,/>是节点m与聚类中心之间的距离。
优选的,将各个节点运行时生成的节点数据周期性指数、节点数据相关系数/>以及节点数据差异指数/>后,通过节点数据周期性指数/>、节点数据相关系数/>以及节点数据差异指数/>建立节点时间同步一致性感知模型,生成时间同步评估指数/>,通过时间同步评估指数/>对节点的时间同步性一致性隐患进行智能化感知。
优选的,将各个节点运行时生成的时间同步评估指数与预先设定的时间同步评估指数参考阈值进行比对分析,若时间同步评估指数大于等于时间同步评估指数参考阈值,则将对应的节点标记为正常节点,若时间同步评估指数小于时间同步评估指数参考阈值,则将对应的节点标记为隐患节点。
优选的,获取隐患节点后续生成的若干个时间同步评估指数建立分析集合,并通过分析集合内的时间同步评估指数求出时间同步评估平均值和时间同步评估标准差,并将时间同步评估平均值和时间同步评估标准差分别与预先设定的时间同步评估参考阈值和标准差参考阈值进行比对分析,若满足时间同步评估平均值大于等于时间同步评估参考阈值并且时间同步评估标准差小于标准差参考阈值,则将隐患划分为偶然隐患,不对偶然隐患做任何处理,若不满足时间同步评估平均值大于等于时间同步评估参考阈值并且时间同步评估标准差小于标准差参考阈值,则将隐患划分为非偶然隐患,利用区块链技术对非偶然隐患进行下一步分析。
优选的,利用区块链技术实现节点时间同步的过程通过以下步骤实现:
创建一个去中心化区块链网络;
每个电网节点在进行数据采集时,将数据采集时的时间戳与数据一起记录下来封装为交易,提交到区块链网络中;
节点将生成的交易广播到区块链网络中的其他节点;
区块链网络中的节点接收到交易后,对交易进行验证,确保交易的有效性和正确性;
将经过验证的交易打包成区块,并添加到区块链的链上,使每个区块包含多个交易,并且每个交易都被记录在区块链上,形成一个不可篡改的数据记录;
将区块链网络中的节点通过共识机制达成对新区块的认可,确保所有节点达成一致的数据状态;
如果某个节点的时间与区块链上的时间存在偏差,通过更新本地时间或调整时间戳的方式来实现时间同步,确保节点时间与区块链网络中的时间保持一致。
在上述技术方案中,本发明提供的技术效果和优点:
本发明通过对节点时间同步性进行智能化感知和评估,建立时间同步一致性感知模型,可识别出存在时间同步不一致隐患的节点,并将其分为正常节点和隐患节点,进一步分析隐患节点,可以识别出偶然隐患和非偶然隐患,为后续的处理提供指导。
本发明利用智能化的时间同步评估指数进行节点分类和处理,根据预先设定的时间同步评估参考阈值,对各个节点的时间同步性进行评估和分类,进而采取相应的处理措施,这种智能化的处理方式,能够更加有效地识别出存在时间同步不一致隐患的节点,并采取针对性的措施,提高电网的安全性和稳定性。
本发明利用区块链技术记录节点的时间戳到区块链上,可以确保节点之间的时间同步性,区块链作为一种去中心化的分布式账本,具有不可篡改和分布式共识的特性,可以有效防止时间数据被篡改或伪造,节点的时间戳记录在区块链上,可以为电网各个节点提供一个公共的时间标准,从而解决节点时间同步不一致的问题。
附图说明
为了更清楚地说明本申请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的介绍,显而易见的,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明一种基于AI的电网远程指挥运维终端的模块示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些示例实施方式使得本公开的描述将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
本发明提供了如图1所示的一种基于AI的电网远程指挥运维终端,包括数据收集与处理模块、时间序列对齐模块、节点隐患感知模块、隐患分析模块以及时间同步模块;
数据收集与处理模块,收集电网各个节点的时间序列数据,对数据进行预处理,确保数据质量;
电网各个节点的时间序列数据包括电流、电压、频率等参数,数据进行预处理包括缺失值填充、异常值处理等,通过此方式可确保数据的准确性和完整性,进而确保数据质量。
时间序列对齐模块,将各个节点的时间序列数据进行对齐,即将各个节点的时间戳统一为相同的时间间隔,确保不同节点的数据在时间上是一致的;
将各个节点的时间戳统一为相同的时间间隔,此目的是方便后续的比较和分析。
将电网各个节点的时间序列数据进行对齐的步骤如下:
确定一个统一的时间间隔作为对齐的基准;
这个时间间隔应该是所有节点采集数据的最小时间间隔,以确保数据的完整性和一致性,例如,可以选择1分钟、5分钟或10分钟作为统一的时间间隔。
对每个节点的时间序列数据进行预处理;
预处理包括填充缺失值、处理异常值等,确保每个节点的数据在对齐之前是完整且准确的。
选择一个起始时间点作为对齐的起始点,起始点为所有节点数据中初始的时间戳;
这样可以确保所有节点的数据都能被包含在对齐后的时间序列中。
根据统一的时间间隔,对每个节点的数据进行插值或截断处理,使得每个节点的数据点在统一的时间间隔内均匀分布;
如果某个节点的数据采集时间间隔大于统一时间间隔,则进行线性插值以填充缺失的数据点;如果采集时间间隔小于统一时间间隔,则进行截断操作,保留最接近统一时间间隔的数据点。
插值处理是指根据已知数据点之间的关系,通过数学方法来估算在两个已知数据点之间的数据值。在时间序列数据对齐的情况下,如果某个节点的数据采集时间间隔大于统一时间间隔,就可以使用插值处理来填充缺失的数据点。常见的插值方法包括线性插值、多项式插值、样条插值等,通过这些方法可以根据已知数据点的趋势推断出在统一时间间隔内的数据点值,以实现数据的均匀分布。
截断处理则是指在时间序列数据对齐的过程中,如果某个节点的数据采集时间间隔小于统一时间间隔,就需要对该节点的数据进行截断处理。具体而言,即保留最接近统一时间间隔的数据点,并舍弃其他时间点的数据。这样可以确保每个节点的数据点在统一的时间间隔内均匀分布,以满足后续分析和处理的需要。
根据统一的时间间隔和对齐后的数据,生成每个节点的统一时间序列;
如此能够确保每个节点的数据在时间上是对齐的,以便后续的比较和分析。
节点隐患感知模块,分析各个节点数据的周期性特征,计算各个节点之间的数据相关系数,并且对比不同节点之间的数据差异,综合判断各个节点之间的时间同步性,并将节点分为正常节点和隐患节点;
分析各个节点数据的周期性特征,生成节点数据周期性指数,计算各个节点之间的数据相关系数,生成节点数据相关系数,对比不同节点之间的数据差异,生成节点数据差异指数;
若电网中节点数据的周期性特征变弱,通常会暗示着节点之间存在时间同步不一致的隐患。周期性特征的变弱意味着节点数据在时间上的变化模式不再明显,可能是由于数据采集时间不同步导致的。时间同步不一致会导致数据采集时间的错位,使得不同节点采集的数据在时间上不再对齐,进而导致数据之间的周期性特征变弱。因此,当节点数据的周期性特征变弱时,可能是由于时间同步不一致所导致的。
节点数据周期性指数获取的逻辑如下:
对节点数据进行傅里叶变换,将时域数据转换为频域数据,假设节点数据为,其傅里叶变换为:/>,其中,/>是频域的复数表示,f是频率,/>是虚数单位;
根据傅里叶变换得到的频域数据,计算频域数据功率谱密度,功率谱密度表示在频率f处的信号能量,功率谱密度/>的计算公式为:/>;
选择某个频率范围内的功率谱密度的平均值作为节点数据周期性指数,设选定的频率范围为,则节点数据周期性指数的计算公式为:,其中,/>和/>分别是频率范围的下限和上限,/>为节点数据周期性指数。
需要说明的是,周期性指数可以反映节点数据在选定频率范围内的周期性程度,若节点数据周期性指数较大,则说明节点数据在该频率范围内具有较强的周期性特征;反之,若节点数据周期性指数较小,则说明节点数据在该频率范围内的周期性特征较弱。
若电网中节点数据之间存在较弱的线性相关关系,通常会暗示着节点之间存在时间同步不一致的隐患。线性相关关系较弱意味着节点之间的数据变化趋势不够一致,可能是由于数据采集时间不同步导致的,因此无法形成明显的线性相关关系。时间同步不一致会导致数据采集时间的错位,使得不同节点采集的数据在时间上不再对齐,进而影响数据之间的相关性。因此,当节点数据之间存在较弱的线性相关关系时,可能是由于时间同步不一致导致的。
节点数据相关系数获取的逻辑如下:
首先,计算每个节点数据的均值,假设节点X的数据为,节点Y的数据为/>,则节点X和节点Y的均值分别为:/>,/>,其中,/>和/>分别表示节点X和节点Y在第i个时间点的数据值;
计算节点数据的协方差,表示节点数据的变化趋势是否一致,协方差的计算公式为:/>;
计算节点数据的标准差,用于度量数据的波动程度,节点X和节点Y的标准差分别为:,/>;
利用协方差和标准差计算得出的节点数据皮尔逊相关系数来表示节点数据相关系数,节点数据相关系数的计算公式为:/>,式中,/>为节点数据相关系数。
这里,表示节点X和节点Y的相关系数,取值范围在-1到1之间。如果/>接近于1,即节点数据相关系数/>接近于1,则表示节点X和节点Y之间存在强正相关关系,如果接近于-1,即节点数据相关系数/>近于-1,则表示存在强负相关关系,如果接近于0,即节点数据相关系数/>近于0,则表示二者之间不存在线性相关关系。
若电网中不同节点之间的数据存在较大的差异性或异质性,通常会暗示着节点之间存在时间同步不一致的隐患。这是因为时间同步不一致会导致数据采集时间的错位,使得不同节点采集的数据在时间上不再对齐,进而导致数据之间的一致性和可比性受到影响。因此,当出现节点数据之间存在较大的差异性或异质性时,很可能是由于节点之间的时间同步不一致所导致的。
节点数据差异指数获取的逻辑如下:
步骤1、选择k均值聚类算法,基于聚类的特征,将节点数据表示为特征向量;
聚类的特征可以是电网节点数据的各个属性,如电流、电压、负载等。
步骤2、随机选择k个节点作为初始聚类中心,k为预先设定的聚类数量;
步骤3、对于每个节点,通过欧氏距离表达式计算每个节点与各个聚类中心之间的距离;
步骤4、将每个节点分配到距离最近的聚类中心所属的簇中;
步骤5、对每个簇中的节点,重新计算该簇的聚类中心;
聚类中心通常是该簇中所有节点的平均值。
步骤6、迭代进行节点分配和聚类中心更新(即重复步骤3-5),直到聚类中心不再变化或达到预先设定的迭代次数;
步骤7、计算节点数据差异指数,使用各个簇内节点与其对应聚类中心的平均距离的平均值来表示节点数据差异指数,具体计算公式为:,其中,/>为节点数据差异指数,k是聚类数量,/>是第j个簇,/>是簇/>中节点的数量,/>是簇/>的聚类中心,/>是节点m与聚类中心之间的距离。
需要说明的是,当节点数据差异指数较小时,表示各个节点之间的数据较为一致或相似。这意味着在电网中,各个节点的数据模式、变化趋势或特征之间存在较高的相似性,节点间的数据差异较小,较小的差异指数可能暗示着电网运行状态相对稳定,各个节点的电力负荷、电流、电压等数据变化不大或变化模式相似,这对电网的稳定性和运行效率有积极影响;
当节点数据差异指数较大时,意味着不同节点之间的数据存在较大的差异性或异质性。这表示电网中的各个节点之间存在着较大的差异,其电力负荷、电流、电压等数据变化模式或趋势差异较大,较大的差异指数可能暗示着电网中存在着不同的运行状态、负荷分布不均匀、设备状况不同等情况。
将各个节点运行时生成的节点数据周期性指数、节点数据相关系数/>以及节点数据差异指数/>后,通过节点数据周期性指数/>、节点数据相关系数/>以及节点数据差异指数/>建立节点时间同步一致性感知模型,生成时间同步评估指数/>,通过时间同步评估指数/>对节点的时间同步性一致性隐患进行智能化感知。
上述节点时间同步一致性感知模型在此不做具体的限定,能实现将节点数据周期性指数、节点数据相关系数/>以及节点数据差异指数/>进行综合分析并且生成时间同步评估指数/>的感知模型均可,为了实现本发明的技术方案,本发明提供一种具体的实现方式;
时间同步评估指数生成的计算公式为:,式中,/>、/>、/>分别为节点数据周期性指数/>、节点数据相关系数/>、节点数据差异指数/>的预设比例系数,且/>、/>、/>均大于0。
由计算公式可知,节点运行时生成的节点数据周期性指数越大、节点数据相关系数越大、节点数据差异指数越小,即节点运行时生成的时间同步评估指数的表现值越大,表明节点运行时存在时间同步不一致的隐患越小,反之则表明节点运行时存在时间同步不一致的隐患越大。
将各个节点运行时生成的时间同步评估指数与预先设定的时间同步评估指数参考阈值进行比对分析,若时间同步评估指数大于等于时间同步评估指数参考阈值,则将对应的节点标记为正常节点,若时间同步评估指数小于时间同步评估指数参考阈值,则将对应的节点标记为隐患节点。
隐患分析模块,将隐患节点筛出,进行进一步隐患分析,并将隐患划分为偶然隐患和非偶然隐患;
获取隐患节点后续生成的若干个时间同步评估指数建立分析集合,并通过分析集合内的时间同步评估指数求出时间同步评估平均值和时间同步评估标准差,并将时间同步评估平均值和时间同步评估标准差分别与预先设定的时间同步评估参考阈值和标准差参考阈值进行比对分析,若满足时间同步评估平均值大于等于时间同步评估参考阈值并且时间同步评估标准差小于标准差参考阈值,则将隐患划分为偶然隐患,不对偶然隐患做任何处理,若不满足时间同步评估平均值大于等于时间同步评估参考阈值并且时间同步评估标准差小于标准差参考阈值,则将隐患划分为非偶然隐患,利用区块链技术对非偶然隐患进行下一步分析。
时间同步模块,针对非偶然隐患的节点,利用区块链技术,将节点的时间戳记录在区块链上,并通过区块链网络来实现时间同步;
利用区块链技术实现节点时间同步的过程通过以下步骤实现:
创建一个去中心化区块链网络;
去中心化区块链网络可以是公有链、私有链或联盟链,其次,创建的去中心化区块链网络确保区块链网络具有足够的节点数量和分散性,以提高网络的安全性和稳定性。
每个电网节点在进行数据采集时,将数据采集时的时间戳与数据一起记录下来封装为交易,提交到区块链网络中;
节点将生成的交易广播到区块链网络中的其他节点;
这些交易包含了节点的时间戳以及相关的数据信息。
区块链网络中的节点接收到交易后,对交易进行验证,确保交易的有效性和正确性;
交易验证可能涉及验证节点身份、验证数据的完整性等,进行交易验证的目的是确保区块链网络中的交易是有效且正确的,从而维护整个网络的安全性和稳定性。验证交易涉及验证节点身份和验证数据的完整性,这有助于防止恶意节点或恶意行为对网络造成的破坏,同时保障交易的可信度。通过验证,可以确保只有经过授权的节点才能提交有效的交易,同时保证交易的内容在传播过程中没有被篡改,从而维护了区块链网络的可靠性和信任度。
将经过验证的交易打包成区块,并添加到区块链的链上,使每个区块包含多个交易,并且每个交易都被记录在区块链上,形成一个不可篡改的数据记录;
将区块链网络中的节点通过共识机制达成对新区块的认可,确保所有节点达成一致的数据状态;
常见的共识机制包括工作量证明(PoW)、权益证明(PoS)等。
如果某个节点的时间与区块链上的时间存在偏差,通过更新本地时间或调整时间戳的方式来实现时间同步,确保节点时间与区块链网络中的时间保持一致。
通过更新本地时间意味着节点会主动从外部时间服务器或其他可靠的时间源获取最新的时间信息,并将其应用到节点的本地时钟上,以使本地时间与区块链网络中的时间保持一致。这通常涉及节点软件对系统时间进行调整或同步,以确保节点在进行交易验证、数据记录等操作时,所使用的时间与整个区块链网络中的时间保持一致,从而维护网络的一致性和准确性。
调整时间戳的方式是指在区块链网络中,对节点所提交的交易或区块中的时间戳进行调整,以校正可能存在的时间偏差。这可能通过一致性算法或协议来协调节点之间的时间,或者在交易或区块生成时采用统一的时间标准来确保数据的一致性。通过调整时间戳的方式,可以保证在网络中记录的时间信息与实际时间保持一致,从而维护区块链网络的时间同步性和准确性。
本发明通过对节点时间同步性进行智能化感知和评估,建立时间同步一致性感知模型,可识别出存在时间同步不一致隐患的节点,并将其分为正常节点和隐患节点,进一步分析隐患节点,可以识别出偶然隐患和非偶然隐患,为后续的处理提供指导。
本发明利用智能化的时间同步评估指数进行节点分类和处理,根据预先设定的时间同步评估参考阈值,对各个节点的时间同步性进行评估和分类,进而采取相应的处理措施,这种智能化的处理方式,能够更加有效地识别出存在时间同步不一致隐患的节点,并采取针对性的措施,提高电网的安全性和稳定性。
本发明利用区块链技术记录节点的时间戳到区块链上,可以确保节点之间的时间同步性,区块链作为一种去中心化的分布式账本,具有不可篡改和分布式共识的特性,可以有效防止时间数据被篡改或伪造,节点的时间戳记录在区块链上,可以为电网各个节点提供一个公共的时间标准,从而解决节点时间同步不一致的问题。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
Claims (10)
1.一种基于AI的电网远程指挥运维终端,其特征在于,包括数据收集与处理模块、时间序列对齐模块、节点隐患感知模块、隐患分析模块以及时间同步模块;
数据收集与处理模块,收集电网各个节点的时间序列数据,对数据进行预处理,确保数据质量;
时间序列对齐模块,将各个节点的时间序列数据进行对齐,即将各个节点的时间戳统一为相同的时间间隔,确保不同节点的数据在时间上是一致的;
节点隐患感知模块,分析各个节点数据的周期性特征,计算各个节点之间的数据相关系数,并且对比不同节点之间的数据差异,综合判断各个节点之间的时间同步性,并将节点分为正常节点和隐患节点;
隐患分析模块,将隐患节点筛出,进行进一步隐患分析,并将隐患划分为偶然隐患和非偶然隐患;
时间同步模块,针对非偶然隐患的节点,利用区块链技术,将节点的时间戳记录在区块链上,并通过区块链网络来实现时间同步。
2.根据权利要求1所述的一种基于AI的电网远程指挥运维终端,其特征在于,将电网各个节点的时间序列数据进行对齐的步骤如下:
确定一个统一的时间间隔作为对齐的基准;
对每个节点的时间序列数据进行预处理;
选择一个起始时间点作为对齐的起始点,起始点为所有节点数据中初始的时间戳;
根据统一的时间间隔,对每个节点的数据进行插值或截断处理,使得每个节点的数据点在统一的时间间隔内均匀分布;
根据统一的时间间隔和对齐后的数据,生成每个节点的统一时间序列。
3.根据权利要求1所述的一种基于AI的电网远程指挥运维终端,其特征在于,分析各个节点数据的周期性特征,生成节点数据周期性指数,计算各个节点之间的数据相关系数,生成节点数据相关系数,对比不同节点之间的数据差异,生成节点数据差异指数。
4.根据权利要求3所述的一种基于AI的电网远程指挥运维终端,其特征在于,节点数据周期性指数获取的逻辑如下:
对节点数据进行傅里叶变换,将时域数据转换为频域数据,假设节点数据为,其傅里叶变换为:/>,其中,/>是频域的复数表示,f是频率,/>是虚数单位;
根据傅里叶变换得到的频域数据,计算频域数据功率谱密度,功率谱密度/>表示在频率f处的信号能量,功率谱密度/>的计算公式为:/>;
选择某个频率范围内的功率谱密度的平均值作为节点数据周期性指数,设选定的频率范围为,则节点数据周期性指数的计算公式为:,其中,/>和/>分别是频率范围的下限和上限,/>为节点数据周期性指数。
5.根据权利要求4所述的一种基于AI的电网远程指挥运维终端,其特征在于,节点数据相关系数获取的逻辑如下:
首先,计算每个节点数据的均值,假设节点X的数据为,节点Y的数据为/>,则节点X和节点Y的均值分别为:/>,,其中,/>和/>分别表示节点X和节点Y在第i个时间点的数据值;
计算节点数据的协方差,表示节点数据的变化趋势是否一致,协方差的计算公式为:/>;
计算节点数据的标准差,用于度量数据的波动程度,节点X和节点Y的标准差分别为:,/>;
利用协方差和标准差计算得出的节点数据皮尔逊相关系数来表示节点数据相关系数,节点数据相关系数的计算公式为:/>,式中,/>为节点数据相关系数。
6.根据权利要求5所述的一种基于AI的电网远程指挥运维终端,其特征在于,节点数据差异指数获取的逻辑如下:
步骤1、选择k均值聚类算法,基于聚类的特征,将节点数据表示为特征向量;
步骤2、随机选择k个节点作为初始聚类中心,k为预先设定的聚类数量;
步骤3、对于每个节点,通过欧氏距离表达式计算每个节点与各个聚类中心之间的距离;
步骤4、将每个节点分配到距离最近的聚类中心所属的簇中;
步骤5、对每个簇中的节点,重新计算这个簇的聚类中心;
步骤6、迭代进行节点分配和聚类中心更新,直到聚类中心不再变化或达到预先设定的迭代次数;
步骤7、计算节点数据差异指数,使用各个簇内节点与其对应聚类中心的平均距离的平均值来表示节点数据差异指数,具体计算公式为:,其中,/>为节点数据差异指数,k是聚类数量,/>是第j个簇,/>是簇/>中节点的数量,/>是簇/>的聚类中心,/>是节点m与聚类中心/>之间的距离。
7.根据权利要求6所述的一种基于AI的电网远程指挥运维终端,其特征在于,将各个节点运行时生成的节点数据周期性指数、节点数据相关系数/>以及节点数据差异指数/>后,通过节点数据周期性指数/>、节点数据相关系数/>以及节点数据差异指数/>建立节点时间同步一致性感知模型,生成时间同步评估指数/>,通过时间同步评估指数对节点的时间同步性一致性隐患进行智能化感知。
8.根据权利要求7所述的一种基于AI的电网远程指挥运维终端,其特征在于,将各个节点运行时生成的时间同步评估指数与预先设定的时间同步评估指数参考阈值进行比对分析,若时间同步评估指数大于等于时间同步评估指数参考阈值,则将对应的节点标记为正常节点,若时间同步评估指数小于时间同步评估指数参考阈值,则将对应的节点标记为隐患节点。
9.根据权利要求7所述的一种基于AI的电网远程指挥运维终端,其特征在于,获取隐患节点后续生成的若干个时间同步评估指数建立分析集合,并通过分析集合内的时间同步评估指数求出时间同步评估平均值和时间同步评估标准差,并将时间同步评估平均值和时间同步评估标准差分别与预先设定的时间同步评估参考阈值和标准差参考阈值进行比对分析,若满足时间同步评估平均值大于等于时间同步评估参考阈值并且时间同步评估标准差小于标准差参考阈值,则将隐患划分为偶然隐患,不对偶然隐患做任何处理,若不满足时间同步评估平均值大于等于时间同步评估参考阈值并且时间同步评估标准差小于标准差参考阈值,则将隐患划分为非偶然隐患,利用区块链技术对非偶然隐患进行下一步分析。
10.根据权利要求1所述的一种基于AI的电网远程指挥运维终端,其特征在于,利用区块链技术实现节点时间同步的过程通过以下步骤实现:
创建一个去中心化区块链网络;
每个电网节点在进行数据采集时,将数据采集时的时间戳与数据一起记录下来封装为交易,提交到区块链网络中;
节点将生成的交易广播到区块链网络中的其他节点;
区块链网络中的节点接收到交易后,对交易进行验证,确保交易的有效性和正确性;
将经过验证的交易打包成区块,并添加到区块链的链上,使每个区块包含多个交易,并且每个交易都被记录在区块链上,形成一个不可篡改的数据记录;
将区块链网络中的节点通过共识机制达成对新区块的认可,确保所有节点达成一致的数据状态;
如果某个节点的时间与区块链上的时间存在偏差,通过更新本地时间或调整时间戳的方式来实现时间同步,确保节点时间与区块链网络中的时间保持一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410582530.5A CN118157331A (zh) | 2024-05-11 | 2024-05-11 | 一种基于ai的电网远程指挥运维终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410582530.5A CN118157331A (zh) | 2024-05-11 | 2024-05-11 | 一种基于ai的电网远程指挥运维终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118157331A true CN118157331A (zh) | 2024-06-07 |
Family
ID=91295267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410582530.5A Pending CN118157331A (zh) | 2024-05-11 | 2024-05-11 | 一种基于ai的电网远程指挥运维终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118157331A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446251A (zh) * | 2016-10-14 | 2017-02-22 | 厦门大学 | 一种连续模拟量时间序列数据挖掘方法 |
EP3706384A1 (en) * | 2019-03-07 | 2020-09-09 | UVUE Limited | System and method for coordinating data processing nodes in distributed ledger arrangement |
CN111932072A (zh) * | 2020-07-08 | 2020-11-13 | 贵州西瑞天成电力咨询有限公司 | 一种基于os2架构的电网综合管控方法及系统 |
CN115221215A (zh) * | 2022-06-01 | 2022-10-21 | 国网湖北省电力有限公司黄冈供电公司 | 基于物联网设备状态感知系统 |
CN116451876A (zh) * | 2023-06-15 | 2023-07-18 | 国网江西省电力有限公司信息通信分公司 | 一种基于人工智能的配电网故障预测和主动检修系统 |
CN117763305A (zh) * | 2023-12-15 | 2024-03-26 | 烟台海颐软件股份有限公司 | 一种计及行为共性的电力时序数据异常检测与修复方法 |
-
2024
- 2024-05-11 CN CN202410582530.5A patent/CN118157331A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446251A (zh) * | 2016-10-14 | 2017-02-22 | 厦门大学 | 一种连续模拟量时间序列数据挖掘方法 |
EP3706384A1 (en) * | 2019-03-07 | 2020-09-09 | UVUE Limited | System and method for coordinating data processing nodes in distributed ledger arrangement |
CN111932072A (zh) * | 2020-07-08 | 2020-11-13 | 贵州西瑞天成电力咨询有限公司 | 一种基于os2架构的电网综合管控方法及系统 |
CN115221215A (zh) * | 2022-06-01 | 2022-10-21 | 国网湖北省电力有限公司黄冈供电公司 | 基于物联网设备状态感知系统 |
CN116451876A (zh) * | 2023-06-15 | 2023-07-18 | 国网江西省电力有限公司信息通信分公司 | 一种基于人工智能的配电网故障预测和主动检修系统 |
CN117763305A (zh) * | 2023-12-15 | 2024-03-26 | 烟台海颐软件股份有限公司 | 一种计及行为共性的电力时序数据异常检测与修复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Paolanti et al. | Machine learning approach for predictive maintenance in industry 4.0 | |
CN106080655B (zh) | 一种列车轴温异常的检测方法、装置以及列车 | |
US20200327205A1 (en) | Systems and methods for enhanced sequential power system model parameter estimation | |
Guo et al. | Online data validation for distribution operations against cybertampering | |
CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
CN117674140B (zh) | 一种配电网测控系统及方法 | |
Messinis et al. | Unsupervised classification for non-technical loss detection | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
Hosseinzadehtaher et al. | Anomaly detection in distribution power system based on a condition monitoring vector and ultra-short demand forecasting | |
Banik et al. | Anomaly detection techniques in smart grid systems: A review | |
CN117150576B (zh) | 一种区块链电子印章的智能验证系统及方法 | |
US11539730B2 (en) | Method, device, and computer program product for abnormality detection | |
Sajan et al. | Realistic synchrophasor data generation for anomaly detection and event classification | |
CN117787718A (zh) | 新型电力系统态势的安全风险评估方法、装置及存储介质 | |
CN113612625A (zh) | 一种网络故障定位方法及装置 | |
CN118157331A (zh) | 一种基于ai的电网远程指挥运维终端 | |
Sontowski et al. | Detecting anomalies using overlapping electrical measurements in smart power grids | |
Li et al. | An online approach to cyberattack detection and localization in smart grid | |
Atif et al. | Cyber-threat analysis for Cyber-Physical Systems: Technical report for Package 4, Activity 3 of ELVIRA project | |
Qiqi et al. | Power distribution network disconnection fault diagnosis using data mining method | |
WO2021217636A1 (zh) | 工业网络行为分析方法、装置、系统和计算机可读介质 | |
Amidan et al. | FY2018 Discovery Through Situational Awareness: Anomalies, Oscillations, and Classification | |
Yang et al. | Research on Attack Identification Method and Device Method Based on Random Forest Algorithm | |
Xiangbei et al. | Safety Protection Technology of Power Monitoring System Based on Feature Extraction Algorithm | |
CN118316188A (zh) | 应用于电网数据类的资产监控系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |