CN115561546A - 电力***异常检测报警*** - Google Patents
电力***异常检测报警*** Download PDFInfo
- Publication number
- CN115561546A CN115561546A CN202211147579.5A CN202211147579A CN115561546A CN 115561546 A CN115561546 A CN 115561546A CN 202211147579 A CN202211147579 A CN 202211147579A CN 115561546 A CN115561546 A CN 115561546A
- Authority
- CN
- China
- Prior art keywords
- data
- power system
- power
- particle
- operation data
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力***信息安全领域,尤其为电力***异常检测报警***,包括数据收集模块:用于获取电力***内各项电力运行数据;数据处理模块:用于对获取的电力运行数据进行处理;数据分析模块:用于根据不断更新的电力运行数据根据粒子群算法迭代更新得到最优数据预测模型;报警模块:用于根据数据分析模块检测的结果判断是否存在异常,当出现异常时报警处理。本发明通过粒子群算法构建数据预测模型,对电力运行数据通过构建一维、二维指标进行迭代优化,数据准确率高,且维度低;通过平衡函数对粒子群算法进行优化,防止粒子种群多样性的减少而导致的过早收敛现象的发生,使粒子在可控范围内迭代优化,具有一定的泛化性,可自行检测出异常数据。
Description
技术领域
本发明涉及电力***信息安全技术领域,尤其是一种电力***异常检测报警***。
背景技术
随着智能电网的快速发展,电力***已经由传统的物理***转变为了融合新型信息技术的信息物理***。电力***是我们当今的命脉,智能电网的出现显著体改了电网的效率和可靠性。但电力***环境复杂,安全性难以得到保障。传统的数据异常检测方法中预测数据不准确导致的误报警、报警延误、漏报警或者自发现率低等情况时有发生。因此如何有效的对电力***进行异常行为监测对电力工控***的安全稳定运行具有重要意义。
现行电力***的运行关联各类电网相关***,这些电力***运行与控制中产生的数据在规模性、多样性、高速性和价值性方面呈现高度复杂的特性,现有机器学习技术无法从上述数据中快速准确地检测和分类出设备故障和网络攻击等电力***异常现象,普遍存在准确率低、数据维度高,泛化能力差等问题。
发明内容
本发明的目的是通过提出一种电力***异常检测报警***,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供一种电力***异常检测报警***,包括:
数据收集模块:用于获取电力***内各项电力运行数据;
数据处理模块:用于对获取的电力运行数据进行预处理;
数据分析模块:用于根据不断更新的电力运行数据根据粒子群算法迭代更新得到最优数据预测模型;
报警模块:用于根据数据分析模块检测的结果判断是否存在异常,当出现异常时报警处理。
作为本发明的一种优选技术方案:所述数据分析模块中,根据时间序列采集的电力数据通过粒子群算法对预测模型进行迭代寻优。
作为本发明的一种优选技术方案:所述粒子群算法中,分别根据时间序列构建一维、二维指标。
作为本发明的一种优选技术方案:所述粒子群算法中,构建同日时间序列电力运行数据为一维指标:
U={u1,u2,…,un}
其中,un为每日同点时间序列;
构建同日同点时间序列电力运行数据为二维指标:
u={u11,u12,…,u1k,u21,u22,…,u2k,…,un1,un2,…,unk}
其中,为每日每点的电力运行数据。
作为本发明的一种优选技术方案:在所述粒子群算法中加入平衡函数:
其中,x为粒子对应的最小Dσ值,l1为粒子对应Dσ值随迭代次数线性变化的比例系数,N为当前迭代次数,l2为粒子对应Dσ值随粒子序号指数变化的比例系数。
作为本发明的一种优选技术方案:对每次根据粒子群算法迭代得到的随机数与平衡函数Dσ值比较,当随机数大于该粒子的平衡函数Dσ值时,选择更新规律一进行更新,当随机数小于该粒子的平衡函数Dσ值时,选择更新规律二进行更新。
作为本发明的一种优选技术方案:所述更新规律一如下:
作为本发明的一种优选技术方案:所述更新规律二如下:
其中,θ为粒子惯性权重,α为学习因子,u′nk为前一次迭代更新的电力数据值。
作为本发明的一种优选技术方案:所述报警模块根据数据分析模块建立的粒子群算法迭代得到的结果与电力运行数据实时比对,当数据在误差允许范围内时,电力***正常工作,当比对结果相差较大时报警处理。
作为本发明的一种优选技术方案:所述报警处理的相关数据记录入电力***运行日志中。
本发明提供的电力***异常检测报警***,与现有技术相比,其有益效果有:
本发明通过粒子群算法构建数据预测模型,对电力运行数据通过构建一维、二维指标进行迭代优化,数据准确率高,且维度低;并通过平衡函数对粒子群算法进行优化,防止粒子种群多样性的减少而导致的过早收敛现象的发生,使粒子在可控范围内迭代优化,具有一定的泛化性,可自行检测出异常数据。
附图说明
图1为本发明优选实施例的***框图。
图中各个标记的意义为:100、数据收集模块;200、数据处理模块;300、数据分析模块;400、报警模块。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,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。
参照图1,本发明优选实施例提供了一种电力***异常检测报警***,包括:
数据收集模块100:用于获取电力***内各项电力运行数据;
数据处理模块200:用于对获取的电力运行数据进行预处理;
数据分析模块300:用于根据不断更新的电力运行数据根据粒子群算法迭代更新得到最优数据预测模型;
报警模块400:用于根据数据分析模块300检测的结果判断是否存在异常,当出现异常时报警处理。
所述数据分析模块300中,根据时间序列采集的电力数据通过粒子群算法对预测模型进行迭代寻优。
所述粒子群算法中,分别根据时间序列构建一维、二维指标。
所述粒子群算法中,构建同日时间序列电力运行数据为一维指标:
U={u1,u2,…,un}
其中,un为每日同点时间序列;
构建同日同点时间序列电力运行数据为二维指标:
u={u11,u12,…,u1k,u21,u22,…,u2k,…,un1,un2,…,unk}
其中,为每日每点的电力运行数据。
在所述粒子群算法中加入平衡函数:
其中,x为粒子对应的最小Dσ值,l1为粒子对应Dσ值随迭代次数线性变化的比例系数,N为当前迭代次数,l2为粒子对应Dσ值随粒子序号指数变化的比例系数。
对每次根据粒子群算法迭代得到的随机数与平衡函数Dσ值比较,当随机数大于该粒子的平衡函数Dσ值时,选择更新规律一进行更新,当随机数小于该粒子的平衡函数Dσ值时,选择更新规律二进行更新。
所述更新规律一如下:
所述更新规律二如下:
其中,θ为粒子惯性权重,α为学习因子,u′nk为前一次迭代更新的电力数据值。
所述报警模块400根据数据分析模块300建立的粒子群算法迭代得到的结果与电力运行数据实时比对,当数据在误差允许范围内时,电力***正常工作,当比对结果相差较大时报警处理。
所述报警处理的相关数据记录入电力***运行日志中。
实施例一:
本实施例中,以某供电公司为例。所述供电公司的电力***数据收集模块100获取所述电力公司半年内每日、以及每日内每整点的电力***内各项电力运行数据;数据处理模块200收集所述对获取的电力运行数据进行数据清洗、数据集成等操作,用于获取根据时间序列分别建立的一维数据和二维数据;所述一维数据和二维数据根据电力***内的数据进行实时更新。其中:
构建同日时间序列电力运行数据为一维指标:
U={u1,u2,…,un}
其中,un为每日同点时间序列;
构建同日同点时间序列电力运行数据为二维指标:
u={u11,u12,…,u1k,u21,u22,…,u2k,…,un1,un2,…,unk}
其中,为每日每点的电力运行数据。
数据分析模块300根据不断更新的电力运行数据根据粒子群算法迭代更新得到最优数据预测模型。在粒子群算法中,每一次迭代更新的结果受前一次更新结果的影响,如果前一次迭代更新的结果一直影响粒子的寻优过程,会减少粒子种群的多样性,导致过早收敛,降低寻优的稳定性,故在所述粒子群算法中加入平衡函数,用于平衡算法的快速性和稳定性:
其中,x为粒子对应的最小Dσ值,l1为粒子对应Dσ值随迭代次数线性变化的比例系数,N为当前迭代次数,l2为粒子对应Dσ值随粒子序号指数变化的比例系数。
粒子寻优过程中,对每次根据粒子群算法迭代得到的随机数与Dσ值比较,当随机数大于该粒子的Dσ值时,选择更新规律一进行更新,当随机数小于该粒子的Dσ值时,选择更新规律二进行更新。
所述更新规律一如下:
所述更新规律二如下:
其中,θ为粒子惯性权重,α为学习因子,u′nk为前一次迭代更新的电力数据值。
报警模块400根据数据分析模块300建立的粒子群算法迭代得到的结果与电力运行数据实时比对,当数据在误差允许范围内时,电力***正常工作,当比对结果相差较大时报警处理。报警模块400将实时比对的数据以及发生异常的位置、时间都记录入电力***运行日志中。
实施例二:
本实施例中,以某企业电力***为例,所述企业电力***的数据收集模块100获取所述电力公司一年内每日、以及每日内每整点的电力***内各项电力运行数据;数据处理模块200收集所述对获取的电力运行数据进行数据清洗、数据集成等操作,用于获取根据时间序列分别建立的一维数据和二维数据;所述一维数据和二维数据根据电力***内的数据进行实时更新。通过数据处理模块200收集所述企业的电力***的电力运行数据,根据数据收集模块100的收集、分析,对企业的用电负荷高峰期可能出现的状况提前准备好预备方案,并对企业用电量拥有基本了解,对可能出现的被盗电情况能够及时发现,减少损失。数据分析模块300对数据收集模块100收集处理的电力运行数据信息通过粒子群算法建立的数据预测模型进行分析,能够对电力***中出现的异常情况及时分析,以及及时发现并定位蕴含在电力运行数据中的攻击信息。报警模块400时刻检测数据分析模块300分析出的数据信息,并与实时运行的电力***中的电力运行数据进行比较,当比较数据出现异常时,立刻报警,并将检测的异常数据,以及数据出现的位置、时间记录入电力运行日志中,便于后期查验。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.电力***异常检测报警***,其特征在于:包括:
数据收集模块(100):用于获取电力***内各项电力运行数据;
数据处理模块(200):用于对获取的电力运行数据进行预处理;
数据分析模块(300):用于根据不断更新的电力运行数据根据粒子群算法迭代更新得到最优数据预测模型;
报警模块(400):用于根据数据分析模块(300)检测的结果判断是否存在异常,当出现异常时报警处理。
2.根据权利要求1所述的电力***异常检测报警***,其特征在于:所述数据分析模块(300)中,根据时间序列采集的电力数据通过粒子群算法对预测模型进行迭代寻优。
3.根据权利要求2所述的电力***异常检测报警***,其特征在于:所述粒子群算法中,分别根据时间序列构建一维、二维指标。
4.根据权利要求3所述的电力***异常检测报警***,其特征在于:所述粒子群算法中,构建同日时间序列电力运行数据为一维指标:
U={u1,u2,…,un}
其中,un为每日同点时间序列;
构建同日同点时间序列电力运行数据为二维指标:
u={u11,u12,…,u1k,u21,u22,…,u2k,…,un1,un2,…,unk}
其中,为每日每点的电力运行数据。
6.根据权利要求5所述的电力***异常检测报警***,其特征在于:对每次根据粒子群算法迭代得到的随机数与平衡函数Dσ值比较,当随机数大于该粒子的平衡函数Dσ值时,选择更新规律一进行更新,当随机数小于该粒子的平衡函数Dσ值时,选择更新规律二进行更新。
9.根据权利要求1所述的电力***异常检测报警***,其特征在于:所述报警模块(400)根据数据分析模块(300)建立的粒子群算法迭代得到的结果与电力运行数据实时比对,当数据在误差允许范围内时,电力***正常工作,当比对结果相差较大时报警处理。
10.根据权利要求9所述的电力***异常检测报警***,其特征在于:所述报警处理的相关数据记录入电力***运行日志中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211147579.5A CN115561546A (zh) | 2022-09-19 | 2022-09-19 | 电力***异常检测报警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211147579.5A CN115561546A (zh) | 2022-09-19 | 2022-09-19 | 电力***异常检测报警*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115561546A true CN115561546A (zh) | 2023-01-03 |
Family
ID=84741946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211147579.5A Withdrawn CN115561546A (zh) | 2022-09-19 | 2022-09-19 | 电力***异常检测报警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115561546A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116259161A (zh) * | 2023-05-16 | 2023-06-13 | 济南荣耀合创电力科技有限公司 | 一种电力故障预警*** |
CN116629709A (zh) * | 2023-07-21 | 2023-08-22 | 国网山东省电力公司青岛市即墨区供电公司 | 一种供电指标的智能化分析报警*** |
-
2022
- 2022-09-19 CN CN202211147579.5A patent/CN115561546A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116259161A (zh) * | 2023-05-16 | 2023-06-13 | 济南荣耀合创电力科技有限公司 | 一种电力故障预警*** |
CN116259161B (zh) * | 2023-05-16 | 2023-08-18 | 济南荣耀合创电力科技有限公司 | 一种电力故障预警*** |
CN116629709A (zh) * | 2023-07-21 | 2023-08-22 | 国网山东省电力公司青岛市即墨区供电公司 | 一种供电指标的智能化分析报警*** |
CN116629709B (zh) * | 2023-07-21 | 2023-10-20 | 国网山东省电力公司青岛市即墨区供电公司 | 一种供电指标的智能化分析报警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106888205B (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
CN108415789B (zh) | 面向大规模混合异构存储***的节点故障预测***及方法 | |
CN115561546A (zh) | 电力***异常检测报警*** | |
CN111614491B (zh) | 一种面向电力监控***安全态势评估指标选取方法及*** | |
Zhe et al. | DoS attack detection model of smart grid based on machine learning method | |
Chang et al. | Anomaly detection for industrial control systems using k-means and convolutional autoencoder | |
CN115809183A (zh) | 基于知识图谱的信创终端故障发现及处置的方法 | |
CN110333995A (zh) | 对工业设备运行状态进行监测的方法及装置 | |
CN114978568A (zh) | 使用机器学习进行数据中心管理 | |
CN112415331B (zh) | 基于多源故障信息的电网二次***故障诊断方法 | |
CN111949480B (zh) | 一种基于组件感知的日志异常检测方法 | |
CN109784668B (zh) | 一种用于电力监控***异常行为检测的样本特征降维处理方法 | |
CN112328425A (zh) | 一种基于机器学习的异常检测方法和*** | |
CN113671909A (zh) | 一种钢铁工控设备安全监测***和方法 | |
CN104574219A (zh) | 电网业务信息***运行工况的监测预警方法及*** | |
CN115237717A (zh) | 一种微服务异常检测方法和*** | |
CN115033463A (zh) | 一种***异常类型确定方法、装置、设备和存储介质 | |
CN116089218A (zh) | 基于Kubernetes的历史数据和趋势分析的动态基线告警方法及*** | |
Kummerow et al. | Cyber-physical data stream assessment incorporating Digital Twins in future power systems | |
CN108989083B (zh) | 云环境下基于混合策略的故障检测性能优化方法 | |
CN117596119A (zh) | 一种基于snmp协议的设备数据采集与监控方法及*** | |
CN112363891B (zh) | 一种基于细粒度事件和KPIs分析的异常原因获得方法 | |
CN117421188A (zh) | 告警定级方法、装置、设备及可读存储介质 | |
CN112583847A (zh) | 一种面向中小企业网络安全事件复杂分析的方法 | |
Pan et al. | Study on intelligent anti–electricity stealing early-warning technology based on convolutional neural networks |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230103 |