CN108154256A - 预测风险值的确定方法及装置、存储介质 - Google Patents
预测风险值的确定方法及装置、存储介质 Download PDFInfo
- Publication number
- CN108154256A CN108154256A CN201711206303.9A CN201711206303A CN108154256A CN 108154256 A CN108154256 A CN 108154256A CN 201711206303 A CN201711206303 A CN 201711206303A CN 108154256 A CN108154256 A CN 108154256A
- Authority
- CN
- China
- Prior art keywords
- risk
- value
- risk indicator
- network
- indicator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000006185 dispersion Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 238000012549 training Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 17
- 238000009826 distribution Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000004069 differentiation Effects 0.000 description 5
- 230000036544 posture Effects 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000005303 weighing 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测风险值的确定方法及装置、存储介质。其中,该方法包括:建立灰色模型,根据所述灰色模型得出风险指标的预测值,其中,所述风险指标用于指示所述电力数据网存在的风险;使用熵值法确定所述风险指标对应的权重;根据所述风险指标的预测值和所述风险指标对应的权重得出所述电力数据网的预测风险值。从而解决了相关技术中神经网络预测需要大量数据和足够训练次数等问题,通过建立灰色模型进行风险指标预测,原理简单,能够在提高预测准确度的同时大大降低时间空间复杂度;并且,使用熵值确定风险指标权重,去除了人为赋权的主观性和不稳定性,保证了各个风险指标的权重合理性的技术问题。
Description
技术领域
本发明涉及电力数据网技术领域,具体涉及一种预测风险值的确定方法及装置、存储介质。
背景技术
随着智能电网的建设,电力数据网及其承载的业务得到迅猛发展,日益开放的网络环境给***的安全运行带来新的挑战。提高电力数据网的可靠性不能仅依靠网络设 计阶段的优化,更要在网络运行过程中,通过有效的风险预测,发现潜在风险。传统 的网络风险处理机制大多是在故障发生之后进行应急处理,一方面由于复杂的网络结 构使得故障的识别定位困难导致故障处理不及时;另一方面应急处理只能被动应对已 发生风险,而对风险已经造成的损失无法弥补。由于电力数据网承载的业务对网络可 靠性要求高,网络的时效性和安全性等关键性能必须予以保障,因此针对电力数据网 的风险预测研究具有重要意义。目前这一方面的研究和专利有一些,下面简要介绍几 种相关方案。
方案1:相关技术中对电力网络风险因素复杂多样安全可靠运行难以保障的问题,首先对配电网中的风险类型进行分类总结。其次,提出了风险识别的概念。结合风险 识别和风险评估,构建多层次,多目标的风险预警***。最后,详细分析风险识别和 风险评估理论,实施步骤和指标。该方案重点解决了网络多风险指标的评估问题。
方案2:相关技术中基于神经网络的网络风险预测方法,利用粗糙集的约减特性,提取关键分量作为输入数据,改进了神经网络的风险预测性能,提出一种粗糙集与神 经网络结合的电网风险预测方法。该方案通过粗糙集预处理数据,提高了神经网络的 收敛速度和近似精度。
方案3:相关技术中提出了一种电网安全风险预测方法。该方案主要步骤包括:(1)处理筛选的网络安全态势因子,确定安全态势状态分类标准;(2)根据电网实际情况 构建隐马尔科夫模型,根据设备当前的安全态势更新所述隐马尔科夫模型参数;(3)计 算整个电力网络的安全态势,计算设备的预测风险值和加权预测风险值。该发明对网络 安全态势因子进行深入研究,筛选出对安全态势影响最大的几个因子,降低了数据处 理的工作量,利用和安全态势因子有关的数据进行模型训练,有效缓解了隐马尔可夫 转换矩阵过于庞大的问题。
方案4:相关技术中提出了一种风电接入电网的风险预测评估方法,包括以下步骤:采集风电场原始数据,得到初始风电功率时间序列;对所述初始风电功率时间序 列进行相空间重构,得到相点向量;对所述相点向量进行K均值聚类计算;引入权重 向量改进邻近点的距离与趋势的判据,得到邻近点集合;将所述邻近点集合作为 volterra自适应滤波器的训练集合,得到风电场功率预测数据。该发明引入权重向量 改进邻近点的距离与趋势的判断依据,消除了现有技术中“忽略了相点自身的不同坐 标分量的时间次序对预测点的影响不同,易引入‘伪邻近点’”的技术缺陷,有效了避 开“虚伪邻近点”,能够选出距离和演化趋势均与预测点相似的邻近点,提高了计算精 度和计算速度。
但是,上述方案存在以下缺点:
方案1:该方案结合风险识别和风险评估,构建了多层次、多指标的风险指标体系,但是该方案只针对电力负荷过载这单一风险进行分析和预警,对风险预测技术没 有深入研究。
方案2:该方案仍无法解决神经网络预测的复杂度高、泛化能力不强的问题。
方案3:该方案在实际运用中很难保证剔除因子的合理性,导致最终预测结果与理论存在差距。
方案4:该方案的过程中涉及过多的权重分配,容易受到主观影响无法保证权重合理性;另一方面用到了K均值聚类和自适应滤波,会导致方法的复杂度高鲁棒性差。
发明内容
本发明实施例提供了一种预测风险值的确定方法及装置、存储介质,以至少解决上述技术问题之一。
根据本发明实施例的一个方面,提供了一种预测风险值的确定方法,应用在电力数据网中,包括:
建立灰色模型,根据灰色模型得出风险指标的预测值,其中,风险指标用于指示电力数据网存在的风险;
使用熵值法确定风险指标对应的权重;
根据风险指标的预测值和风险指标对应的权重得出电力数据网的预测风险值。
进一步地,对风险指标进行无量纲化处理。
进一步地,对风险指标进行无量纲化处理,包括:对风险指标进行分类,使用极 值处理法将分类后的风险指标进行无量纲化处理。
进一步地,建立灰色模型,根据灰色模型得出风险指标的预测值,包括:
建立基于时间序列的灰色模型;
根据基于时间序列的灰色模型得出多个风险指标的预测值。
进一步地,建立灰色模型,根据灰色模型得出风险指标的预测值,包括:
对于m项风险指标分别采样n个时刻,x(i)(j)表示第i项风险指标在第j个时刻的采样值,得到第i项风险指标前k个时刻的累加和X(i)(k)为:
m项风险指标的累加矩阵X为:
建立灰色模型:x(i)(k)+aX(i)(k)=b;
根据灰色模型得到灰色差分方程:x(i)(k)+aZ(i)(k)=b,其中,a,b为待定系数;
使用最小二乘法得出a、b的估计值并根据得出m项风险指标的预 测值为:
其中,m、n为正整数,k=2,...,n,i=1,2,...,m。
进一步地,预测风险值包括网络风险值和网络风险离散程度,其中,网络风险值RN根据以下方式确定:
网络风险离散程度VN根据以下方式确定:
其中,λi为第i项风险指标修正后的预测值,ωi为第i项风险指标的权重,m为 正整数。
进一步地,根据网络风险值和网络离散程度判断电力数据网的风险等级。
根据本发明实施例的一个方面,提供了一种预测风险值的确定装置,应用在电力数据网中,包括:
预测模块,用于建立灰色模型,根据灰色模型得出风险指标的预测值;
第一计算模块,用于使用熵值法确定风险指标对应的权重;
第二计算模块,用于根据风险指标的预测值和风险指标对应的权重得出电力数据网的预测风险值。
进一步地,装置还包括:
第三计算模块,用于对风险指标进行无量纲化处理。
根据本发明实施例的一个方面,提供了一种存储介质,存储介质包括存储的程序,其中,所述程序运行时上述任一项预测风险值的确定方法。
在本发明实施例中,建立灰色模型,根据灰色模型得出风险指标的预测值,其中,风险指标用于指示电力数据网存在的风险;使用熵值法确定风险指标对应的权重;根 据风险指标的预测值和风险指标对应的权重得出电力数据网的预测风险值。从而解决 了相关技术中神经网络预测需要大量数据和足够训练次数等问题,通过建立灰色模型 进行风险指标预测,原理简单,能够在提高预测准确度的同时大大降低时间空间复杂 度;并且,使用熵值确定风险指标权重,去除了人为赋权的主观性和不稳定性,保证 了各个风险指标的权重合理性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图 中:
图1是根据本发明实施例的一种可选的预测风险值的确定方法的流程图(一);
图2是根据本发明实施例的一种可选的预测风险值的确定装置的示意图;
图3是根据本发明实施例的一种可选的预测风险值的确定方法的流程图(二);
图4是根据本发明实施例的基于熵权-灰色预测模型的预测结果与实际风险值的对比图;
图5是根据本发明实施例的基于固定权重的预测结果与实际风险值的对比图;
图6是根据本发明实施例的直接使用风险值预测的结果与实际风险值的比较对比图;
图7为根据本发明实施例的仅考虑网络风险值和综合考虑网络风险值及网络风险离散程度进行风险等级判别的效果对比图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于 本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这 样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在 这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的 任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方 法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚 地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种事故风险等级的确定方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且, 虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行 所示出或描述的步骤。
图1是根据本发明实施例的一种可选的预测风险值的确定方法的流程图(一),如图1所示,该方法包括如下步骤:
步骤S102,建立灰色模型,根据灰色模型得出风险指标的预测值,其中,风险指 标用于指示电力数据网存在的风险;
步骤S104,使用熵值法确定风险指标对应的权重;
步骤S106,根据风险指标的预测值和风险指标对应的权重得出电力数据网的预测风险值。
根据本发明上述步骤,建立灰色模型,根据灰色模型得出风险指标的预测值,其中,风险指标用于指示电力数据网存在的风险;使用熵值法确定风险指标对应的权重; 根据风险指标的预测值和风险指标对应的权重得出电力数据网的预测风险值。从而解 决了相关技术中神经网络预测需要大量数据和足够训练次数等问题,通过建立灰色模 型进行风险指标预测,原理简单,能够在提高预测准确度的同时大大降低时间空间复 杂度;并且,使用熵值确定风险指标权重,去除了人为赋权的主观性和不稳定性,保 证了各个风险指标的权重合理性。。
可选地,对风险指标进行无量纲化处理。
可选地,对风险指标进行无量纲化处理,包括:对风险指标进行分类,使用极值 处理法将分类后的风险指标进行无量纲化处理。
可选地,建立灰色模型,根据灰色模型得出风险指标的预测值,包括:
建立基于时间序列的灰色模型;
根据基于时间序列的灰色模型得出多个风险指标的预测值。
可选地,建立灰色模型,根据灰色模型得出风险指标的预测值,包括:
对于m项风险指标分别采样n个时刻,x(i)(j)表示第i项风险指标在第j个时刻的采样值,得到第i项风险指标前k个时刻的累加和X(i)(k)为:
m项风险指标的累加矩阵X为:
建立灰色模型:x(i)(k)+aX(i)(k)=b;
根据灰色模型得到灰色差分方程:x(i)(k)+aZ(i)(k)=b,其中,a,b为待定系数;
使用最小二乘法得出a、b的估计值并根据得出m项风险指标的预测值 为:
其中,m、n为正整数,k=2,...,n,i=1,2,...,m;其中,k也可以为1。
可选地,预测风险值包括网络风险值和网络风险离散程度,其中,网络风险值RN根据以下方式确定:
网络风险离散程度VN根据以下方式确定:
其中,λi为第i项风险指标修正后的预测值,ωi为第i项风险指标的权重,m为 正整数。
可选地,根据网络风险值和网络离散程度判断电力数据网的风险等级。
根据本发明实施例,还提供了一种预测风险值的确定装置,应用在电力数据网中,需要说明的是,该预测风险值的确定装置可以用于执行本发明实施例中的预测风险值 的确定方法,本发明实施例中的预测风险值的确定方法可以在该预测风险值的确定装 置中执行。
图2是根据本发明实施例的一种可选的预测风险值的确定装置的示意图,如图2所示,该装置可以包括:
预测模块201,用于建立灰色模型,根据灰色模型得出风险指标的预测值;
第一计算模块203,用于使用熵值法确定风险指标对应的权重;
第二计算模块205,用于根据风险指标的预测值和风险指标对应的权重得出电力数据网的预测风险值。
根据本发明上述实施例,预测模块201建立灰色模型,根据灰色模型得出风险指标的预测值;第一计算模块203使用熵值法确定风险指标对应的权重;第二计算模块 205根据风险指标的预测值和风险指标对应的权重得出电力数据网的预测风险值。从 而解决了相关技术中神经网络预测需要大量数据和足够训练次数等问题,通过建立灰 色模型进行风险指标预测,原理简单,能够在提高预测准确度的同时大大降低时间空 间复杂度;并且,使用熵值确定风险指标权重,去除了人为赋权的主观性和不稳定性, 保证了各个风险指标的权重合理性。
需要说明的是,该实施例中的预测模块201可以用于执行本申请实施例中的步骤S102,第一计算模块203可以用于执行本申请实施例中的步骤S104,第二计算模块205 可以用于执行本申请实施例中的步骤S106。上述模块与对应的步骤所实现的示例和应 用场景相同,但不限于上述实施例所公开的内容。
作为一种可选的实施例,该装置还包括第三计算模块207,用于对风险指标进行无量纲化处理。
作为一种可选的实施例,第三计算模块207还用于对风险指标进行分类,使用极值处理法将分类后的风险指标进行无量纲化处理。
作为一种可选的实施例,预测模块201还用于:
建立基于时间序列的灰色模型;
根据基于时间序列的灰色模型得出多个风险指标的预测值。
作为一种可选的实施例,预测模块201还用于:
对于m项风险指标分别采样n个时刻,x(i)(j)表示第i项风险指标在第j个时刻的采样值,得到第i项风险指标前k个时刻的累加和X(i)(k)为:
以及还用于得到m项风险指标的累加矩阵X为:
以及还用于建立灰色模型:x(i)(k)+aX(i)(k)=b;
以及还用于根据灰色模型得到灰色差分方程:x(i)(k)+aZ(i)(k)=b,其中,a,b为待定系数;
以及还用于使用最小二乘法得出a、b的估计值并根据得出m项风险指 标的预测值为:
其中,m、n为正整数,k=2,...,n,i=1,2,...,m;其中,k也可以为1。
作为一种可选的实施例,预测风险值包括网络风险值和网络风险离散程度,第二计算模块205还用于根据以下方式确定网络风险值RN:
以及还用于根据以下方式确定网络风险离散程度VN:
其中,λi为第i项风险指标修正后的预测值,ωi为第i项风险指标的权重,m为 正整数。
作为一种可选的实施例,该装置还包括判断模块209,用于根据网络风险值和网络离散程度判断电力数据网的风险等级。
根据本发明实施例,还提供了一种电力数据网风险预测方法实施例,该方法适用于电力数据网的网络整体风险预测。该方法基于熵权-灰色模型,对电力数据网存在的 风险进行预测,该方法能够通过风险指标预测和风险指标评估,在风险尚未造成故障 时及时检测出网络存在的异常,来实现电力数据网的主动防御工作。图3是根据本发 明实施例的一种可选的预测风险值的确定方法的流程图(二),如图3所示,该方法的 主要步骤包括:首先利用灰色模型对电力数据网的风险指标进行预测,得出预测的各 个单项风险指标值;然后采用熵值法计算每一项指标的动态权重;最后根据灰色预测 的风险指标值和熵值法确定的指标权重得出网络整体的预测风险值。
该方法的具体步骤描述如下:
1)生成累加矩阵
假设共有m项影响网络的风险指标,每项指标采样n个时刻,x(i)(j)表示第i项指标第j个时刻的采样指标值,令即X(i)(k)对应第i项指标 前k个时刻的累加和,则得到多风险指标的累加矩阵X如下:
2)构造灰色差分方程并求解
灰色模型GM(1,1)预测模型的原始形式如下:
x(i)(k)+aX(i)(k)=b (2)
则称下式为灰色差分方程:
x(i)(k)+aZ(i)(k)=b (3)
其中a,b为待定系数,分别称为发展系数和灰色作用量,记a,b构成的矩阵为灰参数只要求出参数a,b则可求出X(i)(k)及x(i)(k)。 可以看出灰色差分方程是一个多元线性回归方程,求解A代表的参数的估计值,可以 运用最小二乘法原理,如下式:
其中均值生成B与常数项向量Yn分别为:
将解出的代入公式(4)得:
累减还原得到待预测数据的估计值:
3)修正预测值
由公式(7)可知灰色预测结果为一指数模型,设原始数据序列为形式如下的指数序 列,即:
x(i)(k)=Mea(k-1),k=1,2,...,n (8)
用传统灰色预测模型GM(1,1)可得最终拟合结果为:
比较式(8)和式(9)可知,传统灰色预测模型存在偏差。观察以上各式可以发现,可反过来用传统灰色预测中得到的参数和表示原始数据序列的参数a和M,则得到 改进的GM(1,1)模型的参数:
最终预测公式为:
由此,得出风险指标预测矩阵:
4)多指标无量纲化
由于指标量纲不同,在进行风险评估建模时难以直接进行指标间的计算分析,因而首先需要对风险指标矩阵进行无量纲化以消除不同量纲的不可比性。不同的无量纲 化方法会影响熵权法的效果,本发明采用性能最优的极值处理法,并将量化结果控制 在[0,100]上。
按照指标属性可将指标分为正相关型(取值越大,风险越高)、负相关型(取值越大,风险越小)、0-1型(指标只有对立的两种情况)和模糊型指标(只可用语言描述, 如服务质量好、一般、差等)四类。根据指标分类,分别通过下式进行无量纲化处理:
正相关型指标:
负相关型指标:
0-1型指标:由于指标只有对立两种情况,所以根据实际情况取值0或100。
模糊型指标:通过专家评价将其去模糊化,转化为0到100之间的清晰数值。
5)熵值法确定多指标权重
风险评估时,当某一指标在各评估对象中的差异较大时,说明其包含的信息量多、对评估***的分辨能力强,应当给其赋予较大的权重。本发明采用熵值法对指标权重 赋值。
风险指标矩阵为x={x(i)(j)}m×n(即多风险指标的累加矩阵X),其中x(i)(j)表示第i 项风险的第j个时刻的指标值,则第i项指标第j个时刻指标值的比重pij由下式计算:
计算第i项指标的熵值:
第i项指标的差异性系数为:
gi=1-ei (17)
则第i项指标的指标权重为:
6)计算风险值与风险离散程度值
网络风险值由下式计算得到:
其中RN为网络风险值,λi为第i项风险指标预测值,ωi为第i项指标的权重。
网络风险离散程度用于衡量网络中各指标风险值的离散程度,由下式计算:
其中VN为网络风险离散程度,RN为网络风险值,λi为第i项指标风险值,ωi为 第i项指标的权重。网络风险离散程度是一个相对值,各指标风险值分布越离散,网 络风险离散程度越大,说明网络运行情况不合理,会带来网络风险。
7)网络风险等级判别
综合网络风险值和网络离散程度这两个指标给出网络风险等级,从而实现对网络风险的判别。表1是根据本发明实施例的网络风险等级与风险值、风险离散程度关系 表。如表1所示,网络风险等级与风险值、风险离散程度的对应关系为:
表1
其中,区间(βi,βi+1]和(ηi,ηi+1)分别表示RN和VN对应风险等级的取值范围,具体数值根据网络实际情况给出。
该方法中为了实时跟进网络的动态变化,建立基于时间序列的灰色预测模型实现对多个风险指标值的预测。灰色预测模型参数实时更新,通过构造累加数列对多指标 数据进行有效处理,可增强预测的实时性和对病态数据的抗干扰性。
该方法中为保证风险指标权重分配的合理性,首先对具有不同量纲的指标进行无量纲化处理,消除不可比性;然后依据指标熵值确定指标权重,完全排除主观影响。
该方法中为了实现及时合理的网络风险判别,通过结合网络风险值和网络风险离散程度两个指标分别从网络的平均风险和网络的风险分布两个方面进行风险等级判别。
本发明实施例中利用基于时间序列的灰色预测模型进行网络风险的多指标预测,直接预测各个风险指标值;进行风险指标评估时,首先对指标进行无量纲化生成以便 于保证不同指标的可比性,然后通过风险指标的熵值确定指标的权重,权重分配保证 客观合理。
通过本发明实施例提供的方法进行电力数据网网络整体风险预测,具有以下优点:
解决了现有技术神经网络预测需要大量数据和足够训练次数的问题,通过基于时间序列的灰色预测模型进行风险指标预测,原理简单,在提高预测准确度的同时大大 降低时间空间复杂度;
利用熵值确定风险指标权重,去除了人为赋权的主观性和不稳定性,保证了各个风险指标的权重合理性;
采用网络风险值和网络风险离散程度两个指标,分别从网络平均风险和网络风险分布情况两个角度进行风险等级判别,提高了告警级别的及时性和准确性。
根据本发明实施例,还提供了一种电力数据网风险预测方法实施例,以某电力公司数据网2016年实际运行情况为例:
该方法包括以下步骤:
1)通过部署在电力数据网网络上的监测设备采集多指标历史数据;
2)根据历史数据生成累加矩阵作为多指标灰色预测模型的输入数据;
3)构造灰色预测模型并求解得到各个风险指标预测值;
4)对所有风险指标按照属性分类,进行无量纲化处理;
5)计算每个风险指标的熵值,作为指标权重;
6)根据预测的风险指标值和指标权重,得出网络风险值和网络风险离散程度,作为风险判别依据,发出相应级别的告警。
图4是根据本发明实施例的基于熵权-灰色预测模型的预测结果与实际风险值的对比图,其中,将使用灰色预测模型预测风险指标值,并且使用熵权确定指标权重得 到的预测结果与实际风险值进行对比;图5是根据本发明实施例的基于固定权重的预 测结果与实际风险值的对比图,其中,将仅使用灰色预测模型预测风险指标值,并且 风险指标的权重设为固定值得到的预测结果与实际风险值进行对比;图6是根据本发 明实施例的直接使用风险值预测的结果与实际风险值的比较对比图,其中,将仅使用 熵权确定指标权重,并且直接使用预测的风险值得出的网络整体风险的预测结果与实 际风险值进行对比;图7为根据本发明实施例的仅考虑网络风险值(判别结果I)和 综合考虑网络风险值及网络风险离散程度进行风险等级判别(判别结果II)的效果对 比图。
如图4-7所示,在前期网络安全运行时,各种预测方法的误差都不大,但是基于 熵权-灰色预测的结果误差率最低;当网络出现问题风险快速上升时,各对比方法精确 度大幅下降。直接使用网络风险值进行预测的方法性能最差,有时甚至产生与网络实 际风险相反的变化趋势,这是因为网络整体风险值是经过复杂处理后的信息,损失较 大,且没有考虑当前的网络运行状态,用网络风险值作为预测依据已不适用当下网络 环境。采用固定指标权重的方法,在网络风险动态变化时反应较差,这是因为没有考 虑随着网络动态变化,不同风险指标对网络风险的影响权重也会动态变化。综上可以 认为,本发明实施例的预测风险值的确定方法使用灰色预测可以实现风险指标值的准 确预测,通过熵值确定指标权重可以实现合理的权重分配。
从图7可以看出,判决结果11可以更早地发出更高级别的风险告警。这是因为网络风险值仅可以衡量网络整体风险水平,是体现网络平均风险水平的指标;而网络风 险离散程度描述各风险指标值分布的离散程度,可以将因某一风险指标过大导致的网 络风险识别出来。通过这两个指标从不同角度对网络风险进行评价能更及时全面地反 映网络实际运行的风险情况。
根据本发明的另一方面,本发明实施例还提供了一种存储介质,存储介质包括存储的程序,其中,所述程序运行时上述任一项预测风险值的确定方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分, 可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件 可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所 显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模 块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个 单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目 的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成 的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时, 可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的 形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一 台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所 述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘 等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润 饰也应视为本发明的保护范围。
Claims (10)
1.一种预测风险值的确定方法,应用在电力数据网中,其特征在于,包括:
建立灰色模型,根据所述灰色模型得出风险指标的预测值,其中,所述风险指标用于指示所述电力数据网存在的风险;
使用熵值法确定所述风险指标对应的权重;
根据所述风险指标的预测值和所述风险指标对应的权重得出所述电力数据网的预测风险值。
2.根据权利要求1所述的方法,其特征在于,在所述使用熵值法确定所述风险指标对应的权重之前,所述方法还包括:
对所述风险指标进行无量纲化处理。
3.根据权利要求2所述的方法,其特征在于,所述对所述风险指标进行无量纲化处理,包括:
对所述风险指标进行分类,使用极值处理法将分类后的风险指标进行无量纲化处理。
4.根据权利要求1所述的方法,其特征在于,所述建立灰色模型,根据所述灰色模型得出风险指标的预测值,包括:
建立基于时间序列的灰色模型;
根据所述基于时间序列的灰色模型得出多个风险指标的预测值。
5.根据权利要求1所述的方法,其特征在于,所述建立灰色模型,根据所述灰色模型得出风险指标的预测值,包括:
对于m项风险指标分别采样n个时刻,x(i)(j)表示第i项风险指标在第j个时刻的采样值,得到第i项风险指标前k个时刻的累加和X(i)(k)为:
所述m项风险指标的累加矩阵X为:
建立灰色模型:x(i)(k)+aX(i)(k)=b;
根据所述灰色模型得到灰色差分方程:x(i)(k)+aZ(i)(k)=b,其中,a,b为待定系数;
使用最小二乘法得出a、b的估计值并根据得出所述m项风险指标的预测值为:
其中,m、n为正整数,k=2,...,n,i=1,2,...,m。
6.根据权利要求1所述的方法,其特征在于,所述预测风险值包括网络风险值和网络风险离散程度,其中,网络风险值RN根据以下方式确定:
网络风险离散程度VN根据以下方式确定:
其中,λi为第i项风险指标修正后的预测值,ωi为第i项风险指标的权重,m为正整数。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据所述网络风险值和所述网络离散程度判断所述电力数据网的风险等级。
8.一种预测风险值的确定装置,应用在电力数据网中,其特征在于,包括:
预测模块,用于建立灰色模型,根据所述灰色模型得出风险指标的预测值;
第一计算模块,用于使用熵值法确定所述风险指标对应的权重;
第二计算模块,用于根据所述风险指标的预测值和所述风险指标对应的权重得出所述电力数据网的预测风险值。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第三计算模块,用于对所述风险指标进行无量纲化处理。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711206303.9A CN108154256A (zh) | 2017-11-27 | 2017-11-27 | 预测风险值的确定方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711206303.9A CN108154256A (zh) | 2017-11-27 | 2017-11-27 | 预测风险值的确定方法及装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108154256A true CN108154256A (zh) | 2018-06-12 |
Family
ID=62469129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711206303.9A Pending CN108154256A (zh) | 2017-11-27 | 2017-11-27 | 预测风险值的确定方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154256A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898262A (zh) * | 2018-07-26 | 2018-11-27 | 国网山东省电力公司莱芜供电公司 | 一种考虑风电不确定性风险的风功率预测方法 |
CN109150870A (zh) * | 2018-08-14 | 2019-01-04 | 中国电子科技集团公司电子科学研究院 | 网络安全态势分析与应用方法及*** |
CN109272154A (zh) * | 2018-09-11 | 2019-01-25 | 浙江大学 | 一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法 |
CN112101673A (zh) * | 2020-09-22 | 2020-12-18 | 华北电力大学 | 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** |
CN112261041A (zh) * | 2020-10-21 | 2021-01-22 | 中国科学院信息工程研究所 | 一种电力终端多级分布式监测与防渗透*** |
CN113947248A (zh) * | 2021-10-21 | 2022-01-18 | 广东电网有限责任公司广州供电局 | 一种电缆受潮老化跳闸的风险预测方法和相关装置 |
CN117710066A (zh) * | 2024-02-05 | 2024-03-15 | 厦门傲凡科技股份有限公司 | 金融客户推荐方法及*** |
-
2017
- 2017-11-27 CN CN201711206303.9A patent/CN108154256A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898262A (zh) * | 2018-07-26 | 2018-11-27 | 国网山东省电力公司莱芜供电公司 | 一种考虑风电不确定性风险的风功率预测方法 |
CN108898262B (zh) * | 2018-07-26 | 2021-08-06 | 国网山东省电力公司莱芜供电公司 | 一种考虑风电不确定性风险的风功率预测方法 |
CN109150870A (zh) * | 2018-08-14 | 2019-01-04 | 中国电子科技集团公司电子科学研究院 | 网络安全态势分析与应用方法及*** |
CN109272154A (zh) * | 2018-09-11 | 2019-01-25 | 浙江大学 | 一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法 |
CN112101673A (zh) * | 2020-09-22 | 2020-12-18 | 华北电力大学 | 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** |
CN112101673B (zh) * | 2020-09-22 | 2024-01-16 | 华北电力大学 | 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** |
CN112261041A (zh) * | 2020-10-21 | 2021-01-22 | 中国科学院信息工程研究所 | 一种电力终端多级分布式监测与防渗透*** |
CN113947248A (zh) * | 2021-10-21 | 2022-01-18 | 广东电网有限责任公司广州供电局 | 一种电缆受潮老化跳闸的风险预测方法和相关装置 |
CN113947248B (zh) * | 2021-10-21 | 2024-05-31 | 广东电网有限责任公司广州供电局 | 一种电缆受潮老化跳闸的风险预测方法和相关装置 |
CN117710066A (zh) * | 2024-02-05 | 2024-03-15 | 厦门傲凡科技股份有限公司 | 金融客户推荐方法及*** |
CN117710066B (zh) * | 2024-02-05 | 2024-05-10 | 厦门傲凡科技股份有限公司 | 金融客户推荐方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154256A (zh) | 预测风险值的确定方法及装置、存储介质 | |
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
Sheu | Dynamic relief-demand management for emergency logistics operations under large-scale disasters | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
US20190180379A1 (en) | Life insurance system with fully automated underwriting process for real-time underwriting and risk adjustment, and corresponding method thereof | |
Lin et al. | Practical expert diagnosis model based on the grey relational analysis technique | |
CN106067088A (zh) | 电子银行访问行为的检测方法和装置 | |
CN106950945B (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN106254317A (zh) | 一种数据安全异常监控*** | |
CN105681298A (zh) | 公共信息平台中的数据安全异常监测方法及*** | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
CN104050361A (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN115695025B (zh) | 网络安全态势预测模型的训练方法及装置 | |
Weerasinghe et al. | A comparative study of data mining algorithms in the prediction of auto insurance claims | |
CN112257914A (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN109871711B (zh) | 海洋大数据共享分发风险控制模型及方法 | |
CN117156442A (zh) | 基于5g网络的云数据安全保护方法及*** | |
CN105528669B (zh) | 用于电力***的负荷预测*** | |
CN110689140A (zh) | 一种通过大数据进行轨交报警数据智能管理的方法 | |
CN111784379B (zh) | 追缴电费的估算方法、装置和异常案例的筛选方法、装置 | |
CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
CN105930430A (zh) | 一种基于非累积属性的实时欺诈检测方法及装置 | |
Aftabi et al. | A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |
|
RJ01 | Rejection of invention patent application after publication |