CN111292019B - 用于分析农业能源互联网安全的方法及装置 - Google Patents
用于分析农业能源互联网安全的方法及装置 Download PDFInfo
- Publication number
- CN111292019B CN111292019B CN202010169176.5A CN202010169176A CN111292019B CN 111292019 B CN111292019 B CN 111292019B CN 202010169176 A CN202010169176 A CN 202010169176A CN 111292019 B CN111292019 B CN 111292019B
- Authority
- CN
- China
- Prior art keywords
- data
- safety
- fused
- fusion
- index system
- 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 46
- 230000004927 fusion Effects 0.000 claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 231100000279 safety data Toxicity 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000013210 evaluation model Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q10/06—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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种用于分析农业能源互联网安全的方法及装置,其中,方法包括:将数据采集传感器布置于目标位置,以采集多个影响农业能源互联网安全的安全数据;将多个安全数据进行数据融合,得到融合后的数据,并从融合后的数据提取数据特征;根据综合安全性指标对数据特征进行安全分析,建立***综合安全性指标体系,以根据***综合安全性指标体系判定待测的农业能源互联网是否安全。根据本申请的方法,充分考虑了跨域数据并对跨域数据进行融合,以及结合多任务学习技术数据利用更高效,更好的扩展空间上的观测范围,有效增强数据的可靠性,有效保证分析的可靠性和实用性,更好地满足用户的分析要求。
Description
技术领域
本发明涉及电气与计算机工程专业和农业工程专业的交叉技术领域,特别涉及一种用于分析农业能源互联网安全的方法及装置。
背景技术
农业能源互联网涉及多种不同的领域,每种领域内的数据具有不同的表示形式、分布、规模和密度,如设施环境的光环境、热环境、水环境等状态变量数据,作物的生长状态数据,天气数据以及冷、热、电、气的能源***数据,这些数据都呈现非常强的异质性。
相关技术中,在分析粮食安全和能源安全的状态时,无法直接将这些异质数据的特征简单的连接起来,而是需要将各种异构网络或多个***之间的异质数据进行融合分析,其次利用多任务学习来实现能源安全和粮食安全的联合学习。
然而,跨域数据融合成为实现农业能源互联网静态安全分析的新挑战,相关技术中存在数据无法有效利用且不够可靠的问题,无法满足农业能源互联网安全的分析要求。因此,如何能有效快速地融合多源异质数据是亟需解冲的问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种用于分析农业能源互联网安全的方法,该方法可以更好的扩展空间上的观测范围,有效增强数据的可靠性,有效保证分析的可靠性和实用性。
本发明的另一个目的在于提出一种用于分析农业能源互联网安全的装置。
为达到上述目的,本发明一方面实施例提出了一种用于分析农业能源互联网安全的方法,包括以下步骤:将数据采集传感器布置于目标位置,以采集多个影响农业能源互联网安全的安全数据;将所述多个安全数据进行数据融合,得到融合后的数据,并从所述融合后的数据提取数据特征;根据综合安全性指标对所述数据特征进行安全分析,建立***综合安全性指标体系,以根据所述***综合安全性指标体系判定待测的农业能源互联网是否安全。
本发明实施例的用于分析农业能源互联网安全的方法,考虑与异质数据可能存在相关性,如温度和光照度存在正相关,温度和湿度存在负相关,因此获取数据进行异质数据融合,从而可以对融合后的数据进行高维数据机器学习进行数据特征提取,综合安全性指标快速计算进行安全分析,建立***综合安全性指标体系,以可以更好的扩展空间上的观测范围,增强数据的可靠性,具有充分考虑了跨域数据并对跨域数据进行融合、以及结合多任务学习技术数据利用更高效等优点。
另外,根据本发明上述实施例的用于分析农业能源互联网安全的方法还可以具有以下附加的技术特征:
其中,在本发明的一个实施例中,所述将所述多个安全数据进行数据融合,包括:根据传感器网络确定节点的局部估计误差方差、融合后的估计误差方差和融合后的状态估计值;根据所述局部估计误差方差倒数与融合系数相乘后连加得到融合后的状态估计值倒数;将所述融合后的状态估计值倒数与节点的状态值相乘后连加得到状态估计值;通过协方差交叉算法数据实现异质数据融合,得到所述融合后的数据。
进一步地,在本发明的一个是实例中,所述从所述融合后的数据提取数据特征,包括:根据所述融合后的数据采用广义约束模型进行模型驱动和数据驱动间的融合,以实现安全指标的回归;以输入数据、先验信息以隐式或显式方式确定约束空间;获取满足数据驱动模型的特征指数,确定所述数据特征。
可选地,在本发明的一个是实例中,所述***综合安全性指标体系包括集群温室环境监控***综合安全性指标体系和园区能源***综合安全性指标体系。
另外,在本发明的一个是实例中,所述根据综合安全性指标对所述数据特征进行安全分析,建立***综合安全性指标体系,包括:确定所述集群温室环境监控***综合安全性指标体系,根据日最高温、日高温积害量、日高温时长、高温天数和最小相对湿度建立安全评估模型,并将输入所述数据特征,以得到第一评价信息;确定所述园区能源***综合安全性指标体系,并根据电力数据电压、电流、有功信息、无功信息以及预设的各类环境采用N-1法建立安全评估模型,以得到第二评价信息。
为达到上述目的,本发明另一方面实施例提出了一种用于分析农业能源互联网安全的装置,包括:采集模块,用于将数据采集传感器布置于目标位置,以采集多个影响农业能源互联网安全的安全数据;处理模块,用于将所述多个安全数据进行数据融合,得到融合后的数据,并从所述融合后的数据提取数据特征;分析模块,用于根据综合安全性指标对所述数据特征进行安全分析,建立***综合安全性指标体系,以根据所述***综合安全性指标体系判定待测的农业能源互联网是否安全。
本发明实施例的用于分析农业能源互联网安全的装置,考虑与异质数据可能存在相关性,如温度和光照度存在正相关,温度和湿度存在负相关,因此获取数据进行异质数据融合,从而可以对融合后的数据进行高维数据机器学习进行数据特征提取,综合安全性指标快速计算进行安全分析,建立***综合安全性指标体系,以可以更好的扩展空间上的观测范围,增强数据的可靠性,具有充分考虑了跨域数据并对跨域数据进行融合、以及结合多任务学习技术数据利用更高效等优点。
另外,根据本发明上述实施例的用于分析农业能源互联网安全的装置还可以具有以下附加的技术特征:
其中,在本发明的一个实施例中,所述处理模块包括:第一计算模块,用于根据传感器网络确定节点的局部估计误差方差、融合后的估计误差方差和融合后的状态估计值;第二计算模块,用于根据所述局部估计误差方差倒数与融合系数相乘后连加得到融合后的状态估计值倒数;第三计算模块,用于将所述融合后的状态估计值倒数与节点的状态值相乘后连加得到状态估计值;第一融合单元,用于通过协方差交叉算法数据实现异质数据融合,得到所述融合后的数据。
进一步地,在本发明的一个实施例中,所述处理模块包括:第二融合单元,用于根据所述融合后的数据采用广义约束模型进行模型驱动和数据驱动间的融合,以实现安全指标的回归;确定单元,用于以输入数据、先验信息以隐式或显式方式确定约束空间;获取单元,用于获取满足数据驱动模型的特征指数,确定所述数据特征。
可选地,在本发明的一个实施例中,所述***综合安全性指标体系包括集群温室环境监控***综合安全性指标体系和园区能源***综合安全性指标体系。
另外,在本发明的一个实施例中,所述评价模块包括:第一评价单元,用于确定所述集群温室环境监控***综合安全性指标体系,根据日最高温、日高温积害量、日高温时长、高温天数和最小相对湿度建立安全评估模型,并将输入所述数据特征,以得到第一评价信息;第二评价单元,用于确定所述园区能源***综合安全性指标体系,并根据电力数据电压、电流、有功信息、无功信息以及预设的各类环境采用N-1法建立安全评估模型,以得到第二评价信息。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的用于分析农业能源互联网安全的方法的流程图;
图2为根据本发明实施例的一个实施例的用于分析农业能源互联网安全的方法的流程图;
图3为根据本发明实施例的用于分析农业能源互联网安全的装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的用于分析农业能源互联网安全的方法及装置,首先将参照附图描述根据本发明实施例提出的用于分析农业能源互联网安全的方法。
图1是本发明实施例的用于分析农业能源互联网安全的方法的流程图。
如图1所示,该用于分析农业能源互联网安全的方法包括以下步骤:
在步骤S101中,将数据采集传感器布置于目标位置,以采集多个影响农业能源互联网安全的安全数据。
例如,对影响农业能源互联网安全的电力数据电压、电流、有功、无功等信息以及各类环境,还有温室信息室内空气温湿度,光照度,二氧化碳浓度,土壤温度土壤水分等信息数据作为变量,本发明实施例可以放置N个传感器进行数据记录。
需要说明的是,具体的目标位置和安全数据可以由本领域技术人员根据实际情况进行设置,在此不做具体限制。
在步骤S102中,将多个安全数据进行数据融合,得到融合后的数据,并从融合后的数据提取数据特征。
也就是说,如图2所示,首先对步骤1)具有N个传感器的传感器网络数据进行协方差交叉算法进行数据融合,其次对融合后的多源高维数据机器学习,进行数据处理。
其中,在本发明的一个实施例中,将多个安全数据进行数据融合,包括:根据传感器网络确定节点的局部估计误差方差、融合后的估计误差方差和融合后的状态估计值;根据局部估计误差方差倒数与融合系数相乘后连加得到融合后的状态估计值倒数;将融合后的状态估计值倒数与节点的状态值相乘后连加得到状态估计值;通过协方差交叉算法数据实现异质数据融合,得到融合后的数据。
举例而言,结合图2所示,步骤S102包括:
步骤S1022:把节点n的局部估计误差方差倒数与融合系数相乘后连加得到融合后的状态估计值倒数PCI -1;
步骤S1024:异质数据可能存在相关性,如温度和光照度存在正相关,温度和湿度存在负相关。与同质数据不同的是,异质数据融合可以更好的扩展空间上的观测范围,增强数据的可靠性。异质数据融合和后的数据S,更好的扩展了空间上的观测范围,增强了数据的可靠性。
进一步地,在本发明的一个是实例中,从融合后的数据提取数据特征,包括:根据融合后的数据采用广义约束模型进行模型驱动和数据驱动间的融合,以实现安全指标的回归;以输入数据、先验信息以隐式或显式方式确定约束空间;获取满足数据驱动模型的特征指数,确定数据特征。
可以理解的是,结合图2所示,步骤S102还包括:
步骤1025:根据步骤2)中对数据通过协方差交叉算法数据融合后的数据S,模型驱动的方法因计算复杂度太高无法满足集群温室环境监控***和园区能源***在线应用的实时性要求,数据驱动方法是一种全新的编程方式可解释性差。采用广义约束模型实现模型驱动和数据驱动的融合,实现安全指标的回归;增强数据驱动的可解释性。
具体而言,降维维数确定问题本质上是本征维数计算问题,将维度降到数据的本征维数可以保证低维数据保留有效的原始信息。对于经过约束中的高维数据S,进行高维随机变量降维处理,将维度降到数据的本征维数保证低维数据保留有效的原始信息。首先选择将数据映射到另一空间的无监督特征提取方法,其次分析数据集样本的内部结构,然后根据降维问题的性质选择降维算法
并且,把经过降维处理后的数据D根据不同的任务通过多任务学习的方式,通过提取和利用跨任务的共享信息,可以同时学习多个相关任务,有效地增加了每个任务的样本量并提高了回归性能。多任务稀疏特性学习算法被表述为凸稀疏正则化问题,多任务学习中参数优化问题是一个难于求解的非凸优化问题,为了更好的解决非凸优化问题,将非凸多任务稀疏特征学习优化问题简化为多阶段凸优化问题。
步骤1026:约束空间以输入数据、先验信息以隐式或显式方式给定。这里采用强约束的方式。
在利用大量样本集进行网络训练的过程中,通过误差反向传播对各权值进行修正,反向传播采用经典的梯度下降法,计算式如下:
使用均方差定义输出损失函数Lossy,则:
步骤1027:通过步骤1025)1026)输出相应的有效的可以进行安全分析的特征指数y,满足min||y-g(x,θt)||,g(x,θt)为数据驱动模型。
在步骤S103中,根据综合安全性指标对数据特征进行安全分析,建立***综合安全性指标体系,以根据***综合安全性指标体系判定待测的农业能源互联网是否安全。
可以理解的是,如图2所示,结合数据处理后的结果,综合安全性指标快速计算,提出集群温室环境监控***综合安全性指标体系以及提出园区能源***综合安全性指标体系,对农业互联网安全进行分析
可选地,在本发明的一个是实例中,***综合安全性指标体系包括集群温室环境监控***综合安全性指标体系和园区能源***综合安全性指标体系。
另外,在本发明的一个是实例中,根据综合安全性指标对数据特征进行安全分析,建立***综合安全性指标体系,包括:确定集群温室环境监控***综合安全性指标体系,根据日最高温、日高温积害量、日高温时长、高温天数和最小相对湿度建立安全评估模型,并将输入数据特征,以得到第一评价信息;确定园区能源***综合安全性指标体系,并根据电力数据电压、电流、有功信息、无功信息以及预设的各类环境采用N-1法建立安全评估模型,以得到第二评价信息。
具体而言,提出集群温室环境监控***综合安全性指标体系,根据日最高温、日高温积害量、日高温时长、高温天数和最小相对湿度等建立安全评估模型。由步骤3)机器学习处理后的输出y作为输入,通过该模型能够描述极端天气扰动和能源***故障情况下温室的环节调控能力,定量评估集群温室环境在不同时段、不同作物情况下防治植物病虫害,抵御恶劣气候和生理性障碍的能力。
进一步地,提出园区能源***综合安全性指标体系,根据电力数据电压、电流、有功、无功等信息以及各类环境采用N-1法建立安全评估模型,能量物质转换元件损害会造成功率缺额,对设施农业环境产生扰动或破坏。将天气变化作为农业能源互联网安全运行的扰动变量,将设施农业的温度、湿度、光照强度作为状态变量,通过关联设施环境状态变量变化-设施环境能耗变化-能源网络节点功率变化-天气因素变化计算灵敏度。灵敏度越大表明天气因素对农业能源互联网运行的扰动越大,将高灵敏度区域作为农业能源互联网的薄弱环节。由机器学习处理后的输出y作为输入,统计实验结果,得出风险评估指标的解和精度估计。能够描述极端天气扰动和能源***故障情况下向集群温室安全供能的能力,定量评估园区能源***在不同时段、不同支路和能源***总体的安全性,找到能源***运行的薄弱时段和薄弱位置。
可以理解的是,农业能源互联网传感器数据缺陷包括不确定性、不精确性、粒度三个方面,是数据融合最根本的挑战问题,可以采用概率论、模糊集理论、可能性理论、粗糙集理论、证据理论等数学理论描述有缺陷的数据。概率方法利用密度函数描述数据的不确定性;模糊集理论可以处理不完善数据;可能性理论可以量化不完整数据;粗糙集理论可以处理数据粒度;证据理论能够融合不确定和模糊数据。本专利拟根据以上数学理论的不同特性和性能,探索适用于农业能源传感器数据缺陷的处理技术。异质数据可能存在相关性,如温度和光照度存在正相关,温度和湿度存在负相关。与同质数据不同的是,异质数据融合可以更好的扩展空间上的观测范围,增强数据的可靠性。因此,本发明实施例用协方差交叉算法处理相关性未知的异质数据的融合问题。
根据本发明实施例的用于分析农业能源互联网安全的方法,考虑与异质数据可能存在相关性,如温度和光照度存在正相关,温度和湿度存在负相关,因此获取数据进行异质数据融合,从而可以对融合后的数据进行高维数据机器学习进行数据特征提取,综合安全性指标快速计算进行安全分析,建立***综合安全性指标体系,以可以更好的扩展空间上的观测范围,增强数据的可靠性,具有充分考虑了跨域数据并对跨域数据进行融合、以及结合多任务学习技术数据利用更高效等优点。
其次参照附图描述根据本发明实施例提出的用于分析农业能源互联网安全的装置。
图3是本发明实施例的用于分析农业能源互联网安全的装置的结构示意图。
如图3所示,该用于分析农业能源互联网安全的装置10包括:采集模块100、处理模块200和分析模块300。
其中,采集模块100用于将数据采集传感器布置于目标位置,以采集多个影响农业能源互联网安全的安全数据。
处理模块200用于将多个安全数据进行数据融合,得到融合后的数据,并从融合后的数据提取数据特征。
分析模块300用于根据综合安全性指标对数据特征进行安全分析,建立***综合安全性指标体系,以根据***综合安全性指标体系判定待测的农业能源互联网是否安全。
其中,在本发明的一个实施例中,处理模块200包括:第一计算模块、第二计算模块、第三计算模块和第一融合单元。
具体地,第一计算模块用于根据传感器网络确定节点的局部估计误差方差、融合后的估计误差方差和融合后的状态估计值。
第二计算模块,用于根据局部估计误差方差倒数与融合系数相乘后连加得到融合后的状态估计值倒数。
第三计算模块,用于将所述融合后的状态估计值倒数与节点的状态值相乘后连加得到状态估计值。
第一融合单元,用于通过协方差交叉算法数据实现异质数据融合,得到融合后的数据。
进一步地,在本发明的一个实施例中,处理模块200包括:第二融合单元和确定单元。
其中,第二融合单元用于根据融合后的数据采用广义约束模型进行模型驱动和数据驱动间的融合,以实现安全指标的回归。
确定单元用于以输入数据、先验信息以隐式或显式方式确定约束空间;获取单元,用于获取满足数据驱动模型的特征指数,确定数据特征。
可选地,在本发明的一个实施例中,***综合安全性指标体系包括集群温室环境监控***综合安全性指标体系和园区能源***综合安全性指标体系。
另外,在本发明的一个实施例中,评价模块300包括:第一评价单元和第二评价单元。
其中,第一评价单元用于确定集群温室环境监控***综合安全性指标体系,根据日最高温、日高温积害量、日高温时长、高温天数和最小相对湿度建立安全评估模型,并将输入数据特征,以得到第一评价信息。
第二评价单元用于确定园区能源***综合安全性指标体系,并根据电力数据电压、电流、有功信息、无功信息以及预设的各类环境采用N-1法建立安全评估模型,以得到第二评价信息。
需要说明的是,前述对用于分析农业能源互联网安全的方法实施例的解释说明也适用于该实施例的用于分析农业能源互联网安全的装置,此处不再赘述。
根据本发明实施例的用于分析农业能源互联网安全的装置,考虑与异质数据可能存在相关性,如温度和光照度存在正相关,温度和湿度存在负相关,因此获取数据进行异质数据融合,从而可以对融合后的数据进行高维数据机器学习进行数据特征提取,综合安全性指标快速计算进行安全分析,建立***综合安全性指标体系,以可以更好的扩展空间上的观测范围,增强数据的可靠性,具有充分考虑了跨域数据并对跨域数据进行融合、以及结合多任务学习技术数据利用更高效等优点。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,″计算机可读介质″可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,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模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种用于分析农业能源互联网安全的方法,其特征在于,包括以下步骤:
将数据采集传感器布置于目标位置,以采集多个影响农业能源互联网安全的安全数据;
将所述多个安全数据进行数据融合,得到融合后的数据,并从所述融合后的数据提取数据特征;以及
根据综合安全性指标对所述数据特征进行安全分析,建立***综合安全性指标体系,以根据所述***综合安全性指标体系判定待测的农业能源互联网是否安全;
所述将所述多个安全数据进行数据融合,包括:
根据传感器网络确定节点的局部估计误差方差、融合后的估计误差方差和融合后的状态估计值;
根据所述局部估计误差方差倒数与融合系数相乘后连加得到融合后的状态估计值倒数;
将所述融合后的状态估计值倒数与节点的状态值相乘后连加得到状态估计值;
通过协方差交叉算法数据实现异质数据融合,得到所述融合后的数据。
2.根据权利要求1所述的方法,其特征在于,所述从所述融合后的数据提取数据特征,包括:
根据所述融合后的数据采用广义约束模型进行模型驱动和数据驱动间的融合,以实现安全指标的回归;
以输入数据、先验信息以隐式或显式方式确定约束空间;
获取满足数据驱动模型的特征指数,确定所述数据特征。
3.根据权利要求1所述的方法,其特征在于,所述***综合安全性指标体系包括集群温室环境监控***综合安全性指标体系和园区能源***综合安全性指标体系。
4.根据权利要求3所述的方法,其特征在于,所述根据综合安全性指标对所述数据特征进行安全分析,建立***综合安全性指标体系,包括:
确定所述集群温室环境监控***综合安全性指标体系,根据日最高温、日高温积害量、日高温时长、高温天数和最小相对湿度建立安全评估模型,并将输入所述数据特征,以得到第一评价信息;
确定所述园区能源***综合安全性指标体系,并根据电力数据电压、电流、有功信息、无功信息以及预设的各类环境采用N-1法建立安全评估模型,以得到第二评价信息。
5.一种用于分析农业能源互联网安全的装置,其特征在于,包括:
采集模块,用于将数据采集传感器布置于目标位置,以采集多个影响农业能源互联网安全的安全数据;
处理模块,用于将所述多个安全数据进行数据融合,得到融合后的数据,并从所述融合后的数据提取数据特征;以及
分析模块,用于根据综合安全性指标对所述数据特征进行安全分析,建立***综合安全性指标体系,以根据所述***综合安全性指标体系判定待测的农业能源互联网是否安全;
所述处理模块包括:
第一计算模块,用于根据传感器网络确定节点的局部估计误差方差、融合后的估计误差方差和融合后的状态估计值;
第二计算模块,用于根据所述局部估计误差方差倒数与融合系数相乘后连加得到融合后的状态估计值倒数;
第三计算模块,用于将所述融合后的状态估计值倒数与节点的状态值相乘后连加得到状态估计值;
第一融合单元,用于通过协方差交叉算法数据实现异质数据融合,得到所述融合后的数据。
6.根据权利要求5所述的装置,其特征在于,所述处理模块包括:
第二融合单元,用于根据所述融合后的数据采用广义约束模型进行模型驱动和数据驱动间的融合,以实现安全指标的回归;
确定单元,用于以输入数据、先验信息以隐式或显式方式确定约束空间;
获取单元,用于获取满足数据驱动模型的特征指数,确定所述数据特征。
7.根据权利要求5所述的装置,其特征在于,所述***综合安全性指标体系包括集群温室环境监控***综合安全性指标体系和园区能源***综合安全性指标体系。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:评价模块;
所述评价模块包括:
第一评价单元,用于确定所述集群温室环境监控***综合安全性指标体系,根据日最高温、日高温积害量、日高温时长、高温天数和最小相对湿度建立安全评估模型,并将输入所述数据特征,以得到第一评价信息;
第二评价单元,用于确定所述园区能源***综合安全性指标体系,并根据电力数据电压、电流、有功信息、无功信息以及预设的各类环境采用N-1法建立安全评估模型,以得到第二评价信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010169176.5A CN111292019B (zh) | 2020-03-12 | 2020-03-12 | 用于分析农业能源互联网安全的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010169176.5A CN111292019B (zh) | 2020-03-12 | 2020-03-12 | 用于分析农业能源互联网安全的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292019A CN111292019A (zh) | 2020-06-16 |
CN111292019B true CN111292019B (zh) | 2022-07-29 |
Family
ID=71029603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010169176.5A Active CN111292019B (zh) | 2020-03-12 | 2020-03-12 | 用于分析农业能源互联网安全的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292019B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002215717A (ja) * | 2001-01-15 | 2002-08-02 | Mitsui & Co Ltd | 農業ビジネス支援システム |
CN108616838A (zh) * | 2018-04-29 | 2018-10-02 | 山东省计算中心(国家超级计算济南中心) | 基于卡尔曼滤波算法的农业大棚数据融合处理方法 |
CN109784732A (zh) * | 2019-01-18 | 2019-05-21 | 西南交通大学 | 一种能源互联网安全评估的多属性决策方法 |
CN110503133A (zh) * | 2019-07-26 | 2019-11-26 | 东北大学 | 一种基于深度学习的离心式压缩机故障预测方法 |
CN110728332A (zh) * | 2019-10-30 | 2020-01-24 | 西安交通大学 | 一种基于物联网的农业数据分析方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170127622A1 (en) * | 2015-11-10 | 2017-05-11 | Xu Hong | Smart control/iot system for agriculture environment control |
-
2020
- 2020-03-12 CN CN202010169176.5A patent/CN111292019B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002215717A (ja) * | 2001-01-15 | 2002-08-02 | Mitsui & Co Ltd | 農業ビジネス支援システム |
CN108616838A (zh) * | 2018-04-29 | 2018-10-02 | 山东省计算中心(国家超级计算济南中心) | 基于卡尔曼滤波算法的农业大棚数据融合处理方法 |
CN109784732A (zh) * | 2019-01-18 | 2019-05-21 | 西南交通大学 | 一种能源互联网安全评估的多属性决策方法 |
CN110503133A (zh) * | 2019-07-26 | 2019-11-26 | 东北大学 | 一种基于深度学习的离心式压缩机故障预测方法 |
CN110728332A (zh) * | 2019-10-30 | 2020-01-24 | 西安交通大学 | 一种基于物联网的农业数据分析方法及*** |
Non-Patent Citations (3)
Title |
---|
Research and Implementation of Agricultural Environment Monitoring based on Internet of Things;ZOU Cheng-jun;《2014 Fifth International Conference on Intelligent Systems Design and Engineering Applications》;20140616;748-752 * |
农业工程能源互联网发展展望;周亚中,付学谦;《电力需求侧管理》;20190720;7-11 * |
农业物联网的应用及其数据融合技术的研究;赵立安;《农业科技辑》;20181215;摘要、1-7、29-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111292019A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
Hu et al. | Research and application of a hybrid model based on Meta learning strategy for wind power deterministic and probabilistic forecasting | |
Kaur et al. | Soft computing approaches for prediction of software maintenance effort | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
Niu et al. | Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis | |
Zhang et al. | Short-term power load forecasting using integrated methods based on long short-term memory | |
Paoli et al. | Solar radiation forecasting using ad-hoc time series preprocessing and neural networks | |
Singh et al. | SCADA system dataset exploration and machine learning based forecast for wind turbines | |
Al-Rousan et al. | Assessment of predicting hourly global solar radiation in Jordan based on Rules, Trees, Meta, Lazy and Function prediction methods | |
Ding et al. | Serial-parallel dynamic echo state network: A hybrid dynamic model based on a chaotic coyote optimization algorithm for wind speed prediction | |
Dragomir et al. | Medium term load forecasting using ANFIS predictor | |
Akarslan | Learning Vector Quantization based predictor model selection for hourly load demand forecasting | |
Yousefi et al. | An artificial neural network hybrid with wavelet transform for short-term wind speed forecasting: A preliminary case study | |
Cao et al. | Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree | |
Liu et al. | Fault diagnosis of photovoltaic strings by using machine learning‐based stacking classifier | |
CN111292019B (zh) | 用于分析农业能源互联网安全的方法及装置 | |
Das et al. | Improved dequantization and normalization methods for tabular data pre-processing in smart buildings | |
CN116706888A (zh) | 基于联邦学习的智能电网负荷预测方法 | |
Lin et al. | Novel cell screening and prognosing based on neurocomputing-based multiday-ahead time-series forecasting for predictive maintenance of battery modules in frequency regulation-energy storage systems | |
Tian et al. | Non-intrusive load monitoring using inception structure deep learning | |
Kumar et al. | Energy Consumption in Smart Buildings using Machine Learning | |
Suresh et al. | AI based battery life estimation of electric vehicle | |
Dutta et al. | Machine Learning‐Based Intelligent Power Systems | |
Li et al. | Time-aware personalized graph convolutional network for multivariate time series forecasting | |
Kamisan et al. | Hybrid Holts-Winter’s model and artificial neural network for short term load data |
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 |