CN115239033A - 一种生成对应电网运行环境下因果模型的方法 - Google Patents
一种生成对应电网运行环境下因果模型的方法 Download PDFInfo
- Publication number
- CN115239033A CN115239033A CN202211169268.9A CN202211169268A CN115239033A CN 115239033 A CN115239033 A CN 115239033A CN 202211169268 A CN202211169268 A CN 202211169268A CN 115239033 A CN115239033 A CN 115239033A
- Authority
- CN
- China
- Prior art keywords
- event
- power grid
- entities
- entity
- causal
- 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.)
- Granted
Links
- 230000001364 causal effect Effects 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000007621 cluster analysis Methods 0.000 claims abstract description 7
- 239000006185 dispersion Substances 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000003252 repetitive effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 241000845077 Iare Species 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种生成对应电网运行环境下因果模型的方法,包括以下步骤:利用集群分析基于运行工况数据对电网设备实体进行组合筛选得到各个电网事件类别波及的电网设备实体作为各个电网事件类别的波及实体;利用神经网络构建表征在各个电网事件类别中波及实体间事件相关性的事件实体相关性测算模型,并基于事件实体相关性测算模型测算出波及实体间的事件相关性。本发明构建出在各个电网事件类别中波及实体间的事件实体因果模型,以实现在电网事件类别中波及实体因果关系的预测,可直观展现大量的电网设备间的因果关系,提高利用因果关系进行事件源头的发现效率,降低事件溯源过程繁琐性。
Description
技术领域
本发明涉及电网分析技术领域,具体涉及一种生成对应电网运行环境下因果模型的方法。
背景技术
随着科学技术的不断发展以及电力***的不断完善,不仅为人们的生活带来了无限的便利(如照明等),而且在人们的出行等方面也提供了更多的便利(如电动汽车、火车和有轨电车等)。而特高压电网建设的全面提速、新能源的快速发展和电力市场化改革的深入推进,电网一体化运行的特征愈发明显,对电网实施集中分析决策、多专业间业务协作和跨调度机构工作协同等需求更加迫切。
近年来,电网调度控制中心所能获取的信息资源越来越丰富,电网设备调控分析可利用的信息源也越来越多,而且信息量巨大,如电网设备的调控大数据。但是,大数据统计究其本身是统计分析的方法,无法检验逻辑上的因果关系,而且无法直观体现电网设备发生缺陷事件的因果关系,使得观察者无法直观的从大量的电网设备中发现出设备间的因果关系,进而难以利用因果关系进行事件源头的发现,事件溯源过程繁琐,效率低下。
发明内容
本发明的目的在于提供一种生成对应电网运行环境下因果模型的方法,以解决现有技术中观察者无法直观的从大量的电网设备中发现出设备间的因果关系,进而难以利用因果关系进行事件源头的发现,事件溯源过程繁琐,效率低下的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种生成对应电网运行环境下因果模型的方法,包括以下步骤:
步骤S1、在电网日志中依次提取出各个电网事件类别发生时的各个电网设备实体的运行工况数据,利用集群分析基于运行工况数据对电网设备实体进行组合筛选得到各个电网事件类别波及的电网设备实体作为各个电网事件类别的波及实体;
步骤S2、利用神经网络构建表征在各个电网事件类别中波及实体间事件相关性的事件实体相关性测算模型,并基于事件实体相关性测算模型测算出波及实体间的事件相关性;
步骤S3、将波及实体间在各个电网事件类别中的事件相关性依次进行离散性分析和均值化分析确定出各个电网事件类别中波及实体间的因果关系,并基于各个电网事件类别中波及实体间的因果关系和各个电网事件类别的事件数据构建出在各个电网事件类别中波及实体间的事件实体因果模型,以实现在电网事件类别中波及实体因果关系的预测。
作为本发明的一种优选方案,所述利用集群分析基于运行工况数据对电网设备实体进行组合筛选得到各个电网事件类别波及的电网设备实体作为各个电网事件类别的波及实体,包括:
在每个电网事件类别中,利用Kmeans聚类算法基于运行工况数据对各个电网设备实体聚类为多个实体集合,并筛选出每个实体集合中距离实体集合的聚类中心最近的电网设备实体作为中心实体;
将每个中心实体的运行工况数据输入至预先建立的事件类别预测模型得到每个中心实体的发生事件类别,将各个中心实体的发生事件类别依次与电网事件类别进行类别比较,其中,
若中心实体的发生事件类别与电网事件类别一致,则对应的中心实体所属的实体集合中所有电网设备实体标记为电网事件类别的波及实体,以得到每个电网事件类别的波及实体;
若中心实体的发生事件类别与电网事件类别不一致,则对应的中心实体所述的实体集合中所有电网设备实体标记为电网事件类别的非波及实体;
所述事件类别预测模型的构建包括:
将每个电网设备实体在发生各个电网事件类别时的运行工况数据作为CNN神经网络输入项,将运行工况数据对应的电网事件类别作为CNN神经网络输出项,利用CNN神经网络在所述CNN神经网络输入项和CNN神经网络输出项上进行模型训练得到每个电网设备实体的事件类别预测模型,所述事件类别预测模型的模型表达式为:
Label i =CNN(data i );
式中,Label i 为第i个电网设备实体的事件类别,data i 为第i个电网设备实体的运行工况数据,CNN为CNN神经网络,i为计量常数。
作为本发明的一种优选方案,所述运行工况数据在进行Kmeans聚类算法运算、事件类别预测模型运算前均进行归一化处理。
作为本发明的一种优选方案,所述利用神经网络构建表征在各个电网事件类别中波及实体间事件相关性的事件实体相关性测算模型,包括:
在每个电网事件类别中,选取出多个波及实体作为样本实体,提取样本实体在电网事件类别发生时的运行工况数据作为样本实体的事件数据;
依次计算任意两个样本实体的事件数据的数据相似度,将样本实体的事件数据、电网事件类别作为BP神经网络输入项,将样本实体间的数据相似度作为BP神经网络输出项,利用BP神经网络在BP神经网络输入项和BP神经网络输出项上进行模型训练得到每个电网事件类别中所述事件实体相关性测算模型;
所述事件实体相关性测算模型的模型表达式:
P=BP(D j ,D k ,Label);
式中,P为实体间的事件相关性,D j ,D k 分别为第j,k个实体的事件数据,Label为电网事件类别,BP为BP神经网络,j,k为计量常数。
作为本发明的一种优选方案,所述基于事件实体相关性测算模型测算出波及实体间的事件相关性,包括:
将每个电网事件类别中所有波及实体均两两组合带入至所述事件实体相关性测算模型得到每个电网事件类别中各个波及实体中两两组合的事件相关性;
在各个电网事件类别中提取出重复的波及实体作为重复实体,将重复的波及实体中两两组合的事件相关性作为重复实体中两两组合的事件相关性。
作为本发明的一种优选方案,所述将波及实体间在各个电网事件类别中的事件相关性依次进行离散性分析和均值化分析确定出各个电网事件类别中波及实体间的因果关系,包括:
将重复实体中两两组合在各个电网事件类别中的事件相关性进行离散性分析得到重复实体相关性离散度,将重复实体相关性离散度与预设离散度进行比较,其中,
若重复实体相关性离散度小于或等于预设离散度,则将对应的重复实体的两两组合标记为因果组合;
若重复实体相关性离散度大于预设离散度,则将对应的重复实体的两两组合标记为非因果组合;
将因果组合在各个电网事件类别中的事件相关性进行均值化分析得到因果组合相关性均值,将因果组合相关性均值与预设均值进行比较,其中,
若因果组合相关性均值大于或等于预设均值,则将对应的因果组合标记为强因果组合;
若因果组合相关性均值小于预设均值,则将对应的因果组合标记为弱因果组合;
将强因果组合对应的波及实体间的因果关系标记为强因果关系,将弱因果组合对应的波及实体间的因果关系标记为强因果关系,将除强因果组合和弱因果组合外的波及实体间的因果关系标记为随机因果关系。
作为本发明的一种优选方案,所述基于各个电网事件类别中波及实体间的因果关系和各个电网事件类别的事件数据构建出在各个电网事件类别中波及实体间的事件实体因果模型,包括:
将波及实体间在各个电网事件类别中的事件数据作为SVM分类器输入项,将波及实体间的因果关系作为SVM分类器输出项,利用SVM分类器基于所述SVM分类器输入项和SVM分类器输出项进行模型训练得到所述事件实体因果模型,所述事件实体因果模型的模型表达式:
Type=SVM([data x _list],[data y _list]);
式中,Type为实体间的因果关系,[data x _list],[data y _list]分别表征为第x,y个波及实体在各个电网事件类别中的事件数据构成的数据序列,SVM为SVM分类器。
作为本发明的一种优选方案,所述重复实体相关性离散度利用方差进行衡量,所述重复实体相关性离散度的计算公式为:
式中,V为重复实体相关性离散度,P lr 为第l个重复实体和第r个重复实体的事件相关性,l,r为计量常数,n为重复实体总数量;
所述因果组合相关性均值的计算公式为:
式中,aver为因果组合相关性均值,P hg 为标记为因果组合的第h个重复实体和第g个重复实体的事件相关性,h,g为计量常数,m为标记为因果组合的重复实体总数量。
作为本发明的一种优选方案,所述数据相似度利用欧几里得距离、余弦相似度、相关系数进行计算。
作为本发明的一种优选方案,所述运行工况数据在电网运行环境下获取。
本发明与现有技术相比较具有如下有益效果:
本发明将波及实体间在各个电网事件类别中的事件相关性依次进行离散性分析和均值化分析确定出各个电网事件类别中波及实体间的因果关系,并基于各个电网事件类别中波及实体间的因果关系和各个电网事件类别的事件数据构建出在各个电网事件类别中波及实体间的事件实体因果模型,以实现在电网事件类别中波及实体因果关系的预测,可直观展现大量的电网设备间的因果关系,提高利用因果关系进行事件源头的发现效率,降低事件溯源过程繁琐性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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引伸获得其它的实施附图。
图1为本发明实施例提供的大数据因果模型的方法流程图。
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。
如图1所示,本发明提供了一种生成对应电网运行环境下因果模型的方法,包括以下步骤:
步骤S1、在电网日志中依次提取出各个电网事件类别发生时的各个电网设备实体的运行工况数据,利用集群分析基于运行工况数据对电网设备实体进行组合筛选得到各个电网事件类别波及的电网设备实体作为各个电网事件类别的波及实体;
利用集群分析基于运行工况数据对电网设备实体进行组合筛选得到各个电网事件类别波及的电网设备实体作为各个电网事件类别的波及实体,包括:
在每个电网事件类别中,利用Kmeans聚类算法基于运行工况数据对各个电网设备实体聚类为多个实体集合,并筛选出每个实体集合中距离实体集合的聚类中心最近的电网设备实体作为中心实体;
将每个中心实体的运行工况数据输入至预先建立的事件类别预测模型得到每个中心实体的发生事件类别,将各个中心实体的发生事件类别依次与电网事件类别进行类别比较,其中,
若中心实体的发生事件类别与电网事件类别一致,则对应的中心实体所属的实体集合中所有电网设备实体标记为电网事件类别的波及实体,以得到每个电网事件类别的波及实体;
若中心实体的发生事件类别与电网事件类别不一致,则对应的中心实体的实体集合中所有电网设备实体标记为电网事件类别的非波及实体;
事件类别预测模型的构建包括:
将每个电网设备实体在发生各个电网事件类别时的运行工况数据作为CNN神经网络输入项,将运行工况数据对应的电网事件类别作为CNN神经网络输出项,利用CNN神经网络在CNN神经网络输入项和CNN神经网络输出项上进行模型训练得到每个电网设备实体的事件类别预测模型,事件类别预测模型的模型表达式为:
Label i =CNN(data i );
式中,Label i 为第i个电网设备实体的事件类别,data i 为第i个电网设备实体的运行工况数据,CNN为CNN神经网络,i为计量常数。
运行工况数据在进行Kmeans聚类算法运算、事件类别预测模型运算前均进行归一化处理。
在真实场景下的电网事件分析中通常是排查事件发生源头,即排查出作为发生源头的设备实体,因此,在电网事件分析中识别出各个设备实体间因果关系,能够有助于根据设备实体的因果关系进行事件源头的排查。
本实施例对各个电网事件类别进行逐一分析,从而分析在各个电网事件类别中发生该电网事件类别的电网设备实体,即本实施例中的波及实体,以便得到在电网事件类别中初步得到具有因果关系的电网设备实体,作为后续分析因果关系的基础。
步骤S2、利用神经网络构建表征在各个电网事件类别中波及实体间事件相关性的事件实体相关性测算模型,并基于事件实体相关性测算模型测算出波及实体间的事件相关性;
利用神经网络构建表征在各个电网事件类别中波及实体间事件相关性的事件实体相关性测算模型,包括:
在每个电网事件类别中,选取出多个波及实体作为样本实体,提取样本实体在电网事件类别发生时的运行工况数据作为样本实体的事件数据;
依次计算任意两个样本实体的事件数据的数据相似度,将样本实体的事件数据、电网事件类别作为BP神经网络输入项,将样本实体间的数据相似度作为BP神经网络输出项,利用BP神经网络在BP神经网络输入项和BP神经网络输出项上进行模型训练得到每个电网事件类别中事件实体相关性测算模型;
事件实体相关性测算模型的模型表达式:
P=BP(D j ,D k ,Label);
式中,P为实体间的事件相关性,D j ,D k 分别为第j,k个实体的事件数据,Label为电网事件类别,BP为BP神经网络,j,k为计量常数。
基于事件实体相关性测算模型测算出波及实体间的事件相关性,包括:
将每个电网事件类别中所有波及实体均两两组合带入至事件实体相关性测算模型得到每个电网事件类别中各个波及实体中两两组合的事件相关性;
在各个电网事件类别中提取出重复的波及实体作为重复实体,将重复的波及实体中两两组合的事件相关性作为重复实体中两两组合的事件相关性,其中,假设电网事件类别A中的波及实体包括电网设备实体1、电网设备实体2和电网设备实体6,假设电网事件类别B中的波及实体包括电网设备实体1、电网设备实体2、电网设备实体3、电网设备实体6和电网设备实体7,假设电网事件类别C中的波及实体包括电网设备实体1、电网设备实体2、电网设备实体4、电网设备实体6和电网设备实体9,则选取出电网事件类别A、B和C中重复的电网设备实体1、电网设备实体2和电网设备实体6,说明电网设备实体1、电网设备实体2和电网设备实体6之间在三个类别电网事件中均为发生事件设备实体,可推断这三个电网设备实体间存在着相关性,因此可以说明三者之间可以进行因果关系确定。
因果关系在广义上等同于相关关系,因此本实施例利用分析电网设备实体的相关性进行电网设备实体因果关系的确定,而且通过构建事件实体相关性测算模型实现相关关系的自动化定量分析,提高相关性分析效率和准确度。
步骤S3、将波及实体间在各个电网事件类别中的事件相关性依次进行离散性分析和均值化分析确定出各个电网事件类别中波及实体间的因果关系,并基于各个电网事件类别中波及实体间的因果关系和各个电网事件类别的事件数据构建出在各个电网事件类别中波及实体间的事件实体因果模型,以实现在电网事件类别中波及实体因果关系的预测。
将波及实体间在各个电网事件类别中的事件相关性依次进行离散性分析和均值化分析确定出各个电网事件类别中波及实体间的因果关系,包括:
将重复实体中两两组合在各个电网事件类别中的事件相关性进行离散性分析得到重复实体相关性离散度,将重复实体相关性离散度与预设离散度进行比较,其中,
若重复实体相关性离散度小于或等于预设离散度,则将对应的重复实体的两两组合标记为因果组合;
若重复实体相关性离散度大于预设离散度,则将对应的重复实体的两两组合标记为非因果组合;
将因果组合在各个电网事件类别中的事件相关性进行均值化分析得到因果组合相关性均值,将因果组合相关性均值与预设均值进行比较,其中,
若因果组合相关性均值大于或等于预设均值,则将对应的因果组合标记为强因果组合;
若因果组合相关性均值小于预设均值,则将对应的因果组合标记为弱因果组合;
将强因果组合对应的波及实体间的因果关系标记为强因果关系,将弱因果组合对应的波及实体间的因果关系标记为强因果关系,将除强因果组合和弱因果组合外的波及实体间的因果关系标记为随机因果关系。
重复实体相关性离散度利用方差进行衡量,重复实体相关性离散度的计算公式为:
式中,V为重复实体相关性离散度,P lr 为第l个重复实体和第r个重复实体的事件相关性,l,r为计量常数,n为重复实体总数量;
因果组合相关性均值的计算公式为:
式中,aver为因果组合相关性均值,P hg 为标记为因果组合的第h个重复实体和第g个重复实体的事件相关性,h,g为计量常数,m为标记为因果组合的重复实体总数量。
相关性离散度越高,则表明在各个电网事件类别中电网设备实体间的相关性越稳定,因此说明电网设备实体间具有一种稳定的相关关系,再通过相关性均值的分析,相关性离散度越高且相关性均值越高,则表明电网设备实体间具有一种稳定的相关关系,且相关关系越强,因此本实施例将这种稳定的强相关关系作为强因果关系,比如:电网设备实体1和电网设备实体2之间在电网事件类别A、B和C中事件相关性为0.8、0.9和0.85,则电网设备实体1和电网设备实体2的相关性离散度和相关性均值均高,因此电网设备实体1和电网设备实体2为强因果关系,电网设备实体1和电网设备实体6之间在电网事件类别A、B和C中事件相关性为0.2、0.1和0.15,则电网设备实体1和电网设备实体2的相关性离散度和相关性均值均低,因此电网设备实体1和电网设备实体2为弱因果关系。
在后续时序中检测到电网设备实体2发生电网事件A、B和C时,会溯源值电网设备实体1,能够迅速根据因果关系实现溯源,快速的掌握受事件波及的电网设备实体,减低故障排查的时长,检测维护的时效性更强,降低设备损失。
基于各个电网事件类别中波及实体间的因果关系和各个电网事件类别的事件数据构建出在各个电网事件类别中波及实体间的事件实体因果模型,包括:
将波及实体间在各个电网事件类别中的事件数据作为SVM分类器输入项,将波及实体间的因果关系作为SVM分类器输出项,利用SVM分类器基于SVM分类器输入项和SVM分类器输出项进行模型训练得到事件实体因果模型,事件实体因果模型的模型表达式:
Type=SVM([data x _list],[data y _list]);
式中,Type为实体间的因果关系,[data x _list],[data y _list]分别表征为第x,y个波及实体在各个电网事件类别中的事件数据构成的数据序列,SVM为SVM分类器。
将因果关系和事件数据进行数据规律总结构建出事件实体因果模型,其中事件实体因果模型的训练样本来自于由离散性分析和均值化分析确定出的因果关系,可以使得事件实体因果模型的预测结果符合离散性分析和均值化分析的分析结果,即事件实体因果模型对离散性分析和均值化分析等离散步骤进行卷积学习,能够直接由各个电网事件类别的事件数据得到各个电网事件类别中波及实体间的因果关系,提高运算简洁性。
数据相似度利用欧几里得距离、余弦相似度、相关系数进行计算。
运行工况数据在电网运行环境下获取。
本发明将波及实体间在各个电网事件类别中的事件相关性依次进行离散性分析和均值化分析确定出各个电网事件类别中波及实体间的因果关系,并基于各个电网事件类别中波及实体间的因果关系和各个电网事件类别的事件数据构建出在各个电网事件类别中波及实体间的事件实体因果模型,以实现在电网事件类别中波及实体因果关系的预测,可直观展现大量的电网设备间的因果关系,提高利用因果关系进行事件源头的发现效率,降低事件溯源过程繁琐性。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种生成对应电网运行环境下因果模型的方法,其特征在于:包括以下步骤:
步骤S1、在电网日志中依次提取出各个电网事件类别发生时的各个电网设备实体的运行工况数据,利用集群分析基于运行工况数据对电网设备实体进行组合筛选得到各个电网事件类别波及的电网设备实体作为各个电网事件类别的波及实体;
步骤S2、利用神经网络构建表征在各个电网事件类别中波及实体间事件相关性的事件实体相关性测算模型,并基于事件实体相关性测算模型测算出波及实体间的事件相关性;
步骤S3、将波及实体间在各个电网事件类别中的事件相关性依次进行离散性分析和均值化分析确定出各个电网事件类别中波及实体间的因果关系,并基于各个电网事件类别中波及实体间的因果关系和各个电网事件类别的事件数据构建出在各个电网事件类别中波及实体间的事件实体因果模型,以实现在电网事件类别中波及实体因果关系的预测。
2.根据权利要求1所述的生成对应电网运行环境下因果模型的方法,其特征在于:所述利用集群分析基于运行工况数据对电网设备实体进行组合筛选得到各个电网事件类别波及的电网设备实体作为各个电网事件类别的波及实体,包括:
在每个电网事件类别中,利用Kmeans聚类算法基于运行工况数据对各个电网设备实体聚类为多个实体集合,并筛选出每个实体集合中距离实体集合的聚类中心最近的电网设备实体作为中心实体;
将每个中心实体的运行工况数据输入至预先建立的事件类别预测模型得到每个中心实体的发生事件类别,将各个中心实体的发生事件类别依次与电网事件类别进行类别比较,其中,
若中心实体的发生事件类别与电网事件类别一致,则对应的中心实体所属的实体集合中所有电网设备实体标记为电网事件类别的波及实体,以得到每个电网事件类别的波及实体;
若中心实体的发生事件类别与电网事件类别不一致,则对应的中心实体所述的实体集合中所有电网设备实体标记为电网事件类别的非波及实体;
所述事件类别预测模型的构建包括:
将每个电网设备实体在发生各个电网事件类别时的运行工况数据作为CNN神经网络输入项,将运行工况数据对应的电网事件类别作为CNN神经网络输出项,利用CNN神经网络在所述CNN神经网络输入项和CNN神经网络输出项上进行模型训练得到每个电网设备实体的事件类别预测模型,所述事件类别预测模型的模型表达式为:
Label i =CNN(data i );
式中,Label i 为第i个电网设备实体的事件类别,data i 为第i个电网设备实体的运行工况数据,CNN为CNN神经网络,i为计量常数。
3.根据权利要求2所述的生成对应电网运行环境下因果模型的方法,其特征在于:所述运行工况数据在进行Kmeans聚类算法运算、事件类别预测模型运算前均进行归一化处理。
4.根据权利要求3所述的生成对应电网运行环境下因果模型的方法,其特征在于:所述利用神经网络构建表征在各个电网事件类别中波及实体间事件相关性的事件实体相关性测算模型,包括:
在每个电网事件类别中,选取出多个波及实体作为样本实体,提取样本实体在电网事件类别发生时的运行工况数据作为样本实体的事件数据;
依次计算任意两个样本实体的事件数据的数据相似度,将样本实体的事件数据、电网事件类别作为BP神经网络输入项,将样本实体间的数据相似度作为BP神经网络输出项,利用BP神经网络在BP神经网络输入项和BP神经网络输出项上进行模型训练得到每个电网事件类别中所述事件实体相关性测算模型;
所述事件实体相关性测算模型的模型表达式:
P=BP(D j ,D k ,Label);
式中,P为实体间的事件相关性,D j ,D k 分别为第j,k个实体的事件数据,Label为电网事件类别,BP为BP神经网络,j,k为计量常数。
5.根据权利要求4所述的生成对应电网运行环境下因果模型的方法,其特征在于:所述基于事件实体相关性测算模型测算出波及实体间的事件相关性,包括:
将每个电网事件类别中所有波及实体均两两组合带入至所述事件实体相关性测算模型得到每个电网事件类别中各个波及实体中两两组合的事件相关性;
在各个电网事件类别中提取出重复的波及实体作为重复实体,将重复的波及实体中两两组合的事件相关性作为重复实体中两两组合的事件相关性。
6.根据权利要求5所述的生成对应电网运行环境下因果模型的方法,其特征在于:所述将波及实体间在各个电网事件类别中的事件相关性依次进行离散性分析和均值化分析确定出各个电网事件类别中波及实体间的因果关系,包括:
将重复实体中两两组合在各个电网事件类别中的事件相关性进行离散性分析得到重复实体相关性离散度,将重复实体相关性离散度与预设离散度进行比较,其中,
若重复实体相关性离散度小于或等于预设离散度,则将对应的重复实体的两两组合标记为因果组合;
若重复实体相关性离散度大于预设离散度,则将对应的重复实体的两两组合标记为非因果组合;
将因果组合在各个电网事件类别中的事件相关性进行均值化分析得到因果组合相关性均值,将因果组合相关性均值与预设均值进行比较,其中,
若因果组合相关性均值大于或等于预设均值,则将对应的因果组合标记为强因果组合;
若因果组合相关性均值小于预设均值,则将对应的因果组合标记为弱因果组合;
将强因果组合对应的波及实体间的因果关系标记为强因果关系,将弱因果组合对应的波及实体间的因果关系标记为强因果关系,将除强因果组合和弱因果组合外的波及实体间的因果关系标记为随机因果关系。
7.根据权利要求6所述的生成对应电网运行环境下因果模型的方法,其特征在于,所述基于各个电网事件类别中波及实体间的因果关系和各个电网事件类别的事件数据构建出在各个电网事件类别中波及实体间的事件实体因果模型,包括:
将波及实体间在各个电网事件类别中的事件数据作为SVM分类器输入项,将波及实体间的因果关系作为SVM分类器输出项,利用SVM分类器基于所述SVM分类器输入项和SVM分类器输出项进行模型训练得到所述事件实体因果模型,所述事件实体因果模型的模型表达式:
Type=SVM([data x _list],[data y _list]);
式中,Type为实体间的因果关系,[data x _list],[data y _list]分别表征为第x,y个波及实体在各个电网事件类别中的事件数据构成的数据序列,SVM为SVM分类器。
9.根据权利要求4所述的生成对应电网运行环境下因果模型的方法,其特征在于,所述数据相似度利用欧几里得距离、余弦相似度、相关系数进行计算。
10.根据权利要求2所述的生成对应电网运行环境下因果模型的方法,其特征在于,所述运行工况数据在电网运行环境下获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169268.9A CN115239033B (zh) | 2022-09-26 | 2022-09-26 | 一种生成对应电网运行环境下因果模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169268.9A CN115239033B (zh) | 2022-09-26 | 2022-09-26 | 一种生成对应电网运行环境下因果模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115239033A true CN115239033A (zh) | 2022-10-25 |
CN115239033B CN115239033B (zh) | 2023-02-10 |
Family
ID=83667283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211169268.9A Active CN115239033B (zh) | 2022-09-26 | 2022-09-26 | 一种生成对应电网运行环境下因果模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239033B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120271587A1 (en) * | 2009-10-09 | 2012-10-25 | Hitachi, Ltd. | Equipment status monitoring method, monitoring system, and monitoring program |
CN103105556A (zh) * | 2013-01-30 | 2013-05-15 | 西安交通大学 | 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法 |
CN103514516A (zh) * | 2013-09-27 | 2014-01-15 | 国家电网公司 | 一种基于多源冗余信息统计获取电网设备故障信息的方法 |
CN109754158A (zh) * | 2018-12-07 | 2019-05-14 | 国网江苏省电力有限公司南京供电分公司 | 一种生成对应电网运行环境下的大数据因果模型的方法 |
CN112910089A (zh) * | 2021-01-25 | 2021-06-04 | 国网山东省电力公司青岛供电公司 | 一种变电站二次设备故障逻辑可视化方法及*** |
CN113268590A (zh) * | 2021-04-06 | 2021-08-17 | 云南电网有限责任公司昆明供电局 | 一种基于设备画像和集成学习的电网设备运行状态评估方法 |
-
2022
- 2022-09-26 CN CN202211169268.9A patent/CN115239033B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120271587A1 (en) * | 2009-10-09 | 2012-10-25 | Hitachi, Ltd. | Equipment status monitoring method, monitoring system, and monitoring program |
CN103105556A (zh) * | 2013-01-30 | 2013-05-15 | 西安交通大学 | 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法 |
CN103514516A (zh) * | 2013-09-27 | 2014-01-15 | 国家电网公司 | 一种基于多源冗余信息统计获取电网设备故障信息的方法 |
CN109754158A (zh) * | 2018-12-07 | 2019-05-14 | 国网江苏省电力有限公司南京供电分公司 | 一种生成对应电网运行环境下的大数据因果模型的方法 |
CN112910089A (zh) * | 2021-01-25 | 2021-06-04 | 国网山东省电力公司青岛供电公司 | 一种变电站二次设备故障逻辑可视化方法及*** |
CN113268590A (zh) * | 2021-04-06 | 2021-08-17 | 云南电网有限责任公司昆明供电局 | 一种基于设备画像和集成学习的电网设备运行状态评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115239033B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570778B (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
Sanjeev | Implementation of machine learning algorithms for analysis and prediction of air quality | |
CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN111900731A (zh) | 一种基于pmu的电力***状态估计性能评价方法 | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
CN111551888A (zh) | 一种改进型AdaBoost算法的电能表计量数据故障分析方法 | |
WO2021103401A1 (zh) | 数据对象分类方法、装置、计算机设备和存储介质 | |
CN117131449A (zh) | 面向数据治理的具有传播学习能力的异常识别方法及*** | |
CN116128544A (zh) | 一种电力营销异常营业数据的主动稽核方法和*** | |
CN115564194A (zh) | 智能电网的计量异常诊断信息生成模型构建方法及*** | |
CN117035697B (zh) | 基于历史动态分析的itsm平台优化方法及*** | |
CN109754158A (zh) | 一种生成对应电网运行环境下的大数据因果模型的方法 | |
CN115239033B (zh) | 一种生成对应电网运行环境下因果模型的方法 | |
CN117519951A (zh) | 基于消息中台的实时数据处理方法及*** | |
CN117768618A (zh) | 一种基于视频图像分析人员违章的方法 | |
CN117609818A (zh) | 基于聚类与信息熵的电网关联关系发现方法 | |
Su et al. | KPI anomaly detection method for Data Center AIOps based on GRU-GAN | |
Hegedűs et al. | Towards building method level maintainability models based on expert evaluations | |
CN115987692A (zh) | 一种基于流量回溯分析的安全防护***及方法 | |
Yang et al. | Research and application of business ability evaluation based on DBSCAN algorithm and entropy method | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、***及计算机设备 | |
CN115828156A (zh) | 一种基于电网元数据监测的偷漏电识别方法及*** | |
CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
CN114626433A (zh) | 一种智能电能表故障预测并分类方法、装置及*** |
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 |