CN117610934A - 一种电网安全风险评估预警*** - Google Patents
一种电网安全风险评估预警*** Download PDFInfo
- Publication number
- CN117610934A CN117610934A CN202311681831.5A CN202311681831A CN117610934A CN 117610934 A CN117610934 A CN 117610934A CN 202311681831 A CN202311681831 A CN 202311681831A CN 117610934 A CN117610934 A CN 117610934A
- Authority
- CN
- China
- Prior art keywords
- module
- power grid
- data
- early warning
- grid
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000002452 interceptive effect Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 239000002245 particle Substances 0.000 claims description 30
- 238000012800 visualization Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 25
- 230000003993 interaction Effects 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000003909 pattern recognition Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013144 data compression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012954 risk control 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
- G06Q10/06—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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06N3/094—Adversarial learning
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电网安全风险评估预警***，具体涉及电网安全技术领域，包括数据采集模块、数据预处理模块、特征提取模块、模式识别模块、风险评估与预警模块、边缘计算模块、网络通信与信息安全模块、智能决策支持模块、可视化与交互模块、优化控制模块、深度学习模块和预警服务器。本发明能够提高检测精度和效率，降低误报率和漏报率，提高数据处理和分析的实时性，缩短检测响应时间，增强了***安全性和隐私保护，提升可视化效果和交互体验，帮助管理者更好地理解和分析电网运行情况，交互式控制功能也提高了***的易用性和操作便捷性，并能够智能推荐优化策略和控制措施，帮助管理者提前预防和控制潜在的安全风险。
Description
技术领域
本发明涉及电网安全技术领域，更具体地说，本发明涉及一种电网安全风险评估预警***。
背景技术
电网是由变电站、配电站、电力线路(包括电缆)和其他供电设施所组成的供电网络，它的主要功能是输送和分配电能，供应给各个用户，电网通常被划分为输电网和配电网两个部分，输电网负责将大容量的电能从发电厂输送到变电站，而配电网则将电能从变电站分配到用户端。电网是一个复杂的***，需要高度的技术和管理水平来确保其安全、稳定和高效的运行，在电网中，电能的传输和分配需要遵循一定的规则和标准，以确保供电的质量和可靠性。
电网的安全稳定运行关系到国计民生与国家安全，近年来国内外频繁发生的大规模停电事故引起了人们的广泛关注，且随着生活用电和工业用电不断增加，电网规模不断扩大，网络结构趋于复杂化，设备检修、线路维护等工作大量增加，增加了电网运行的不确定性，对于电网故障的数据处理和分析的实时性降低，管理者不能及时且更好地理解和分析电网运行情况，对预防和控制潜在的安全风险评估预警能力不佳。
发明内容
为了克服现有技术的上述缺陷，本发明提供一种电网安全风险评估预警***。
为实现上述目的，本发明提供如下技术方案：一种电网安全风险评估预警***，包括数据采集模块、数据预处理模块、特征提取模块、模式识别模块、风险评估与预警模块、边缘计算模块、网络通信与信息安全模块、智能决策支持模块、可视化与交互模块、优化控制模块、深度学习模块和预警服务器，其中，所述预警服务器的信号端连接有数据采集模块、边缘计算模块、网络通信与信息安全模块、智能决策支持模块和可视化与交互模块，所述数据采集模块的输出端与数据预处理模块的输入端电性连接，所述数据预处理模块的输出端与特征提取模块的输入端电性连接，所述特征提取模块的输出端与模式识别模块的输入端电性连接，所述模式识别模块的输出端与风险评估与预警模块的输入端电性连接，所述风险评估与预警模块的输出端与预警服务器的输入端电性连接，所述智能决策支持模块的输出端与优化控制模块和深度学习模块的输入端电性连接。
作为本发明技术方案的进一步改进，所述数据采集模块用于从电网的各个位置传感器、智能电表和SCADA***中收集电网的实时运行数据，包括电压、电流、功率因数和频率；所述数据预处理模块用于对收集到的数据进行清洗、格式化和标准化处理。
作为本发明技术方案的进一步改进，所述特征提取模块用于从预处理后的数据中提取与电网安全相关的特征，包括电压波动和电流谐波；所述模式识别模块用于运用模式识别算法(K-means聚类、支持向量机)对这些特征进行分类和识别，以检测电网中的异常模式和潜在风险。
作为本发明技术方案的进一步改进，所述风险评估与预警模块用于根据模式识别模块识别出的异常模式和潜在风险，运用风险评估算法(层次分析法、模糊综合评价法)对电网的安全状态进行定量评估，评估结果以风险指数的形式表示，便于管理者直观地了解电网的安全状况，当风险指数超过预设阈值时，***将触发预警机制，通过声光报警或短信通知方式提醒管理者采取相应措施。
作为本发明技术方案的进一步改进，所述边缘计算模块用于在电网设备端进行数据处理和分析，减轻云端计算负担，提高实时性，具体应用如下：
S1、数据采集：所述边缘计算模块从连接的设备中实时采集电网运行数据，包括电压、电流、频率电网参数，以及环境温度、湿度传感器数据；
S2、数据预处理：所述边缘计算模块采集到的原始数据进行预处理，包括数据清洗、去噪、去重操作；
S3、边缘计算：在预处理完成后，对数据进行初步的分析和处理，包括进行异常检测和模式识别操作；
S4、结果传输：经过边缘计算处理后，通过网络通信与信息安全模块将处理结果和相关信息传输给其它模块或云端进行进一步的分析和决策，确保数据的安全传输和共享；
S5、实时监控与预警：利用边缘计算模块实时监控电网的运行状态和安全状况，并根据预设的阈值触发预警机制，当检测到异常情况或潜在风险时，可以及时发出预警信息，通知相关人员采取相应措施；
S6、优化与控制：根据分析结果和预警信息，边缘计算模块与其它模块协同工作，对电网的运行方式进行优化控制，可以根据负荷预测结果调整电网的调度策略，或根据设备状态信息进行预防性维护。
作为本发明技术方案的进一步改进，所述网络通信与信息安全模块指采用加密通信协议包括HTTPS、MQTT with TLS的方式进行网络通讯；所述智能决策支持模块基于大数据分析和人工智能技术进行智能决策支持，大数据包括数据采集模块采集到的数据和电网服务器本身记录的内部数据，所述智能决策支持模块由智能推荐单元和模拟仿真单元组成，所述智能推荐单元用于根据电网历史数据和当前状态，智能推荐优化策略和控制措施，所述模拟仿真单元用于运用数字孪生技术对电网进行模拟仿真，预测不同策略下的电网运行状态和风险水平。
作为本发明技术方案的进一步改进，所述可视化与交互模块用于提供可视化界面和交互方式，且可视化与交互模块包括三维可视化单元和交互式控制单元，所述三维可视化单元用于运用三维建模和渲染技术，对电网设备和运行状态进行三维可视化展示，所述交互式控制单元用于通过触摸屏、手势识别技术进行交互式控制和调整电网设备的运行参数；所述优化控制模块用于运用智能优化算法(遗传算法、粒子群优化算法)对电网的运行方式进行优化，以提高电网的安全性和经济性；所述深度学习模块用于利用深度学习技术对电网数据进行挖掘和分析，包括运用自编码器(Autoencoder)或生成对抗网络(GAN)深度学习模型，学习电网正常运行的数据分布，从而更有效地识别出异常数据；使用循环神经网络(RNN)或长短期记忆网络(LSTM)对电网负荷、故障进行预测。
作为本发明技术方案的进一步改进，所述粒子群优化算法(PSO)是一种基于群体智能的优化算法，PSO算法的基本公式如下：
v[i]j＝w*v[i]j+c1*r1*(pbest[i][j]-x[i]j)+c2*r2*(gbest[j]-x[i]j)
x[i]j＝x[i]j+v[i]j
其中，各字母代表的含义如下：
v[i]j：表示第i个粒子在第j个维度上第t+1时刻的速度；
x[i]j：表示第i个粒子在第j个维度上第t+1时刻的位置；
w：惯性权重，用于控制粒子速度的惯性影响，取值为0.4-0.9；
c1、c2：加速系数，用于控制粒子向个体最优解和全局最优解飞行的速度，取值为1-2；
r1、r2：随机数，用于增加搜索的随机性，取值范围为[0，1]；
pbest[i][j]：表示第i个粒子在第j个维度上的个体最优解；
gbest[j]：表示所有粒子在第j个维度上的全局最优解；
在电网安全风险评估预警***中，电网的运行状态和控制参数映射为粒子的位置，将电网的安全性指标(电压稳定性、频率稳定性)作为优化目标，将电网的运行参数(发电机出力、负荷分配)作为粒子的位置，运用PSO算法进行寻优，通过迭代计算，得到一组最优的运行参数。
本发明的有益效果：
1、通过引入深度学习模块，***能够更准确地识别电网数据中的异常模式，降低误报率和漏报率，同时，边缘计算模块的应用可以提高数据处理和分析的实时性，缩短检测响应时间；
2、网络通信与信息安全模块能够确保电网设备间的通信安全和防护，防止恶意攻击和数据泄露，采用加密通信协议可以保护数据的机密性、完整性和可用性；
3、通过设置可视化与交互模块，***能够以更直观的方式展示电网的安全状态和风险水平，帮助管理者更好地理解和分析电网运行情况，交互式控制功能也提高了***的易用性和操作便捷性；
4、设置的智能决策支持模块，使***能够根据电网历史数据和当前状态，智能推荐优化策略和控制措施，辅助管理者做出更明智的决策，模拟仿真功能还可以预测不同策略下的电网运行状态和风险水平，帮助管理者提前预防和控制潜在的安全风险；
5、通过边缘计算和数据压缩技术的应用，***能够减少数据传输和存储的成本，降低对云端资源的依赖，智能优化算法的运用也可以提高电网的运行效率，减少能源浪费和设备损耗。
附图说明
图1为本发明的***图。
图2为本发明中智能决策支持模块的结构示意图。
图3为本发明中可视化与交互模块的结构示意图。
附图标记为：1、数据采集模块；2、数据预处理模块；3、特征提取模块；4、模式识别模块；5、风险评估与预警模块；6、边缘计算模块；7、网络通信与信息安全模块；8、智能决策支持模块；9、可视化与交互模块；10、优化控制模块；11、深度学习模块；12、预警服务器；801、智能推荐单元；802、模拟仿真单元；901、三维可视化单元；902、交互式控制单元。
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。
如附图1-3所示的一种电网安全风险评估预警***，包括数据采集模块1、数据预处理模块2、特征提取模块3、模式识别模块4、风险评估与预警模块5、边缘计算模块6、网络通信与信息安全模块7、智能决策支持模块8、可视化与交互模块9、优化控制模块10、深度学习模块11和预警服务器12，其中，预警服务器12的信号端连接有数据采集模块1、边缘计算模块6、网络通信与信息安全模块7、智能决策支持模块8和可视化与交互模块9，数据采集模块1的输出端与数据预处理模块2的输入端电性连接，数据预处理模块2的输出端与特征提取模块3的输入端电性连接，特征提取模块3的输出端与模式识别模块4的输入端电性连接，模式识别模块4的输出端与风险评估与预警模块5的输入端电性连接，风险评估与预警模块5的输出端与预警服务器12的输入端电性连接，智能决策支持模块8的输出端与优化控制模块10和深度学习模块11的输入端电性连接。
其中，数据采集模块1用于从电网的各个位置传感器、智能电表和SCADA***中收集电网的实时运行数据，包括电压、电流、功率因数和频率；
其中，数据预处理模块2用于对收集到的数据进行清洗、格式化和标准化处理；
其中，特征提取模块3用于从预处理后的数据中提取与电网安全相关的特征，包括电压波动和电流谐波；
其中，模式识别模块4用于运用模式识别算法(K-means聚类、支持向量机)对这些特征进行分类和识别，以检测电网中的异常模式和潜在风险；
模式识别算法：支持向量机(SVM)
SVM是一种二分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，对于非线性问题，通过核函数将原始数据映射到高维空间进行线性分类，SVM的决策函数为：
f(x)＝sign(∑αiyiK(xi,x)+b)其中，αi为拉格朗日乘子，yi为样本标签，K(xi,x)为核函数，b为偏置项；
其中，风险评估与预警模块5用于根据模式识别模块4识别出的异常模式和潜在风险，运用风险评估算法(层次分析法、模糊综合评价法)对电网的安全状态进行定量评估，评估结果以风险指数的形式表示，便于管理者直观地了解电网的安全状况，当风险指数超过预设阈值时，***将触发预警机制，通过声光报警或短信通知方式提醒管理者采取相应措施；
风险评估算法：层次分析法(AHP)
AHP是一种多准则决策方法，通过将复杂问题分解为若干层次和因素，构造判断矩阵并求解特征向量，从而得出各因素对目标的权重，AHP的计算公式如下：
Wi＝(∏nj＝1bij)1/n其中，Wi为第i个因素的权重，bij为判断矩阵中第i个因素与第j个因素的比较值，n为因素数量；
其中，边缘计算模块6用于在电网设备端进行数据处理和分析，减轻云端计算负担，提高实时性，具体应用如下：
S1、数据采集：边缘计算模块6从连接的设备中实时采集电网运行数据，包括电压、电流、频率电网参数，以及环境温度、湿度传感器数据；
S2、数据预处理：边缘计算模块6采集到的原始数据进行预处理，包括数据清洗、去噪、去重操作；
S3、边缘计算：在预处理完成后，对数据进行初步的分析和处理，包括进行异常检测和模式识别操作；
S4、结果传输：经过边缘计算处理后，通过网络通信与信息安全模块7将处理结果和相关信息传输给其它模块或云端进行进一步的分析和决策，确保数据的安全传输和共享；
S5、实时监控与预警：利用边缘计算模块6实时监控电网的运行状态和安全状况，并根据预设的阈值触发预警机制，当检测到异常情况或潜在风险时，可以及时发出预警信息，通知相关人员采取相应措施；
S6、优化与控制：根据分析结果和预警信息，边缘计算模块6与其它模块协同工作，对电网的运行方式进行优化控制，可以根据负荷预测结果调整电网的调度策略，或根据设备状态信息进行预防性维护。
其中，网络通信与信息安全模块7指采用加密通信协议包括HTTPS、MQTT with TLS的方式进行网络通讯；
其中，智能决策支持模块8基于大数据分析和人工智能技术进行智能决策支持，大数据包括数据采集模块1采集到的数据和电网服务器本身记录的内部数据，智能决策支持模块8由智能推荐单元801和模拟仿真单元802组成，智能推荐单元801用于根据电网历史数据和当前状态，智能推荐优化策略和控制措施，模拟仿真单元802用于运用数字孪生技术对电网进行模拟仿真，预测不同策略下的电网运行状态和风险水平。
其中，可视化与交互模块9用于提供可视化界面和交互方式，且可视化与交互模块9包括三维可视化单元901和交互式控制单元902，三维可视化单元901用于运用三维建模和渲染技术，对电网设备和运行状态进行三维可视化展示，交互式控制单元902用于通过触摸屏、手势识别技术进行交互式控制和调整电网设备的运行参数；
其中，优化控制模块10用于运用智能优化算法(遗传算法、粒子群优化算法)对电网的运行方式进行优化，以提高电网的安全性和经济性；
其中，深度学习模块11用于利用深度学习技术对电网数据进行挖掘和分析，包括运用自编码器(Autoencoder)或生成对抗网络(GAN)深度学习模型，学习电网正常运行的数据分布，从而更有效地识别出异常数据；使用循环神经网络(RNN)或长短期记忆网络(LSTM)对电网负荷、故障进行预测。
粒子群优化算法(PSO)是一种基于群体智能的优化算法，PSO算法的基本公式如下：
v[i]j＝w*v[i]j+c1*r1*(pbest[i][j]-x[i]j)+c2*r2*(gbest[j]-x[i]j)
x[i]j＝x[i]j+v[i]j
其中，各字母代表的含义如下：
v[i]j：表示第i个粒子在第j个维度上第t+1时刻的速度；
x[i]j：表示第i个粒子在第j个维度上第t+1时刻的位置；
w：惯性权重，用于控制粒子速度的惯性影响，取值为0.4-0.9；
c1、c2：加速系数，用于控制粒子向个体最优解和全局最优解飞行的速度，取值为1-2；
r1、r2：随机数，用于增加搜索的随机性，取值范围为[0，1]；
pbest[i][j]：表示第i个粒子在第j个维度上的个体最优解；
gbest[j]：表示所有粒子在第j个维度上的全局最优解；
在电网安全风险评估预警***中，电网的运行状态和控制参数映射为粒子的位置，将电网的安全性指标(电压稳定性、频率稳定性)作为优化目标，将电网的运行参数(发电机出力、负荷分配)作为粒子的位置，运用PSO算法进行寻优，通过迭代计算，得到一组最优的运行参数。
综上，本申请设计的一种电网安全风险评估预警***，具备一下效果：
a、提高检测精度和效率：通过引入深度学习模块，***能够更准确地识别电网数据中的异常模式，降低误报率和漏报率，同时，边缘计算模块的应用可以提高数据处理和分析的实时性，缩短检测响应时间；
b、增强***安全性和隐私保护：网络通信与信息安全模块能够确保电网设备间的通信安全和防护，防止恶意攻击和数据泄露，采用加密通信协议可以保护数据的机密性、完整性和可用性；
c、提升可视化效果和交互体验：通过设置可视化与交互模块，***能够以更直观的方式展示电网的安全状态和风险水平，帮助管理者更好地理解和分析电网运行情况，交互式控制功能也提高了***的易用性和操作便捷性；
d、优化决策支持和风险控制：设置的智能决策支持模块，使***能够根据电网历史数据和当前状态，智能推荐优化策略和控制措施，辅助管理者做出更明智的决策，模拟仿真功能还可以预测不同策略下的电网运行状态和风险水平，帮助管理者提前预防和控制潜在的安全风险；
e、降低成本和资源消耗：通过边缘计算和数据压缩技术的应用，***能够减少数据传输和存储的成本，降低对云端资源的依赖，智能优化算法的运用也可以提高电网的运行效率，减少能源浪费和设备损耗。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种电网安全风险评估预警***，其特征在于：包括数据采集模块(1)、数据预处理模块(2)、特征提取模块(3)、模式识别模块(4)、风险评估与预警模块(5)、边缘计算模块(6)、网络通信与信息安全模块(7)、智能决策支持模块(8)、可视化与交互模块(9)、优化控制模块(10)、深度学习模块(11)和预警服务器(12)，其中，所述预警服务器(12)的信号端连接有数据采集模块(1)、边缘计算模块(6)、网络通信与信息安全模块(7)、智能决策支持模块(8)和可视化与交互模块(9)，所述数据采集模块(1)的输出端与数据预处理模块(2)的输入端电性连接，所述数据预处理模块(2)的输出端与特征提取模块(3)的输入端电性连接，所述特征提取模块(3)的输出端与模式识别模块(4)的输入端电性连接，所述模式识别模块(4)的输出端与风险评估与预警模块(5)的输入端电性连接，所述风险评估与预警模块(5)的输出端与预警服务器(12)的输入端电性连接，所述智能决策支持模块(8)的输出端与优化控制模块(10)和深度学习模块(11)的输入端电性连接。
2.根据权利要求1所述的一种电网安全风险评估预警***，其特征在于：所述数据采集模块(1)用于从电网的各个位置传感器、智能电表和SCADA***中收集电网的实时运行数据，包括电压、电流、功率因数和频率；所述数据预处理模块(2)用于对收集到的数据进行清洗、格式化和标准化处理。
3.根据权利要求1所述的一种电网安全风险评估预警***，其特征在于：所述特征提取模块(3)用于从预处理后的数据中提取与电网安全相关的特征，包括电压波动和电流谐波；所述模式识别模块(4)用于运用模式识别算法(K-means聚类、支持向量机)对这些特征进行分类和识别。
4.根据权利要求1所述的一种电网安全风险评估预警***，其特征在于：所述风险评估与预警模块(5)用于根据模式识别模块(4)识别出的异常模式和潜在风险，运用风险评估算法(层次分析法、模糊综合评价法)对电网的安全状态进行定量评估，评估结果以风险指数的形式表示，当风险指数超过预设阈值时，***将触发预警机制，通过声光报警或短信通知方式提醒管理者。
5.根据权利要求1所述的一种电网安全风险评估预警***，其特征在于：所述边缘计算模块(6)用于在电网设备端进行数据处理和分析，具体应用如下：
S1、数据采集：所述边缘计算模块(6)从连接的设备中实时采集电网运行数据，包括电压、电流、频率电网参数，以及环境温度、湿度传感器数据；
S2、数据预处理：所述边缘计算模块(6)采集到的原始数据进行预处理，包括数据清洗、去噪、去重操作；
S3、边缘计算：在预处理完成后，对数据进行初步的分析和处理，包括进行异常检测和模式识别操作；
S4、结果传输：经过边缘计算处理后，通过网络通信与信息安全模块(7)将处理结果和相关信息传输给其它模块或云端；
S5、实时监控与预警：利用边缘计算模块(6)实时监控电网的运行状态和安全状况，并根据预设的阈值触发预警机制，当检测到异常情况或潜在风险时，发出预警信息通知相关人员；
S6、优化与控制：根据分析结果和预警信息，边缘计算模块(6)与其它模块协同工作，对电网的运行方式进行优化控制。
6.根据权利要求1所述的一种电网安全风险评估预警***，其特征在于：所述网络通信与信息安全模块(7)指采用加密通信协议包括HTTPS、MQTT with TLS的方式进行网络通讯；所述智能决策支持模块(8)基于大数据分析和人工智能技术进行智能决策支持，大数据包括数据采集模块(1)采集到的数据和电网服务器本身记录的内部数据，所述智能决策支持模块(8)由智能推荐单元(801)和模拟仿真单元(802)组成，所述智能推荐单元(801)用于根据电网历史数据和当前状态，智能推荐优化策略和控制措施，所述模拟仿真单元(802)用于运用数字孪生技术对电网进行模拟仿真，预测不同策略下的电网运行状态和风险水平。
7.根据权利要求1所述的一种电网安全风险评估预警***，其特征在于：所述可视化与交互模块(9)用于提供可视化界面和交互方式，且可视化与交互模块(9)包括三维可视化单元(901)和交互式控制单元(902)，所述三维可视化单元(901)用于运用三维建模和渲染技术，对电网设备和运行状态进行三维可视化展示，所述交互式控制单元(902)用于通过触摸屏、手势识别技术进行交互式控制和调整电网设备的运行参数；所述优化控制模块(10)用于运用智能优化算法(遗传算法、粒子群优化算法)对电网的运行方式进行优化；所述深度学习模块(11)用于利用深度学习技术对电网数据进行挖掘和分析，包括运用自编码器(Autoencoder)或生成对抗网络(GAN)深度学习模型，学习电网正常运行的数据分布；使用循环神经网络(RNN)或长短期记忆网络(LSTM)对电网负荷、故障进行预测。
8.根据权利要求7所述的一种电网安全风险评估预警***，其特征在于：所述粒子群优化算法(PSO)是一种基于群体智能的优化算法，PSO算法的基本公式如下：
v[i]j＝w*v[i]j+c1*r1*(pbest[i][j]-x[i]j)+c2*r2*(gbest[j]-x[i]j)
x[i]j＝x[i]j+v[i]j
其中，各字母代表的含义如下：
v[i]j：表示第i个粒子在第j个维度上第t+1时刻的速度；
x[i]j：表示第i个粒子在第j个维度上第t+1时刻的位置；
w：惯性权重，用于控制粒子速度的惯性影响，取值为0.4-0.9；
c1、c2：加速系数，用于控制粒子向个体最优解和全局最优解飞行的速度，取值为1-2；
r1、r2：随机数，用于增加搜索的随机性，取值范围为[0，1]；
pbest[i][j]：表示第i个粒子在第j个维度上的个体最优解；
gbest[j]：表示所有粒子在第j个维度上的全局最优解；
在电网安全风险评估预警***中，电网的运行状态和控制参数映射为粒子的位置，将电网的安全性指标(电压稳定性、频率稳定性)作为优化目标，将电网的运行参数(发电机出力、负荷分配)作为粒子的位置，运用PSO算法进行寻优，通过迭代计算，得到一组最优的运行参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311681831.5A CN117610934A (zh) | 2023-12-08 | 2023-12-08 | 一种电网安全风险评估预警*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311681831.5A CN117610934A (zh) | 2023-12-08 | 2023-12-08 | 一种电网安全风险评估预警*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117610934A true CN117610934A (zh) | 2024-02-27 |
Family
ID=89959705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311681831.5A Pending CN117610934A (zh) | 2023-12-08 | 2023-12-08 | 一种电网安全风险评估预警*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117610934A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114492150A (zh) * | 2020-10-23 | 2022-05-13 | 中国石油化工股份有限公司 | 一种基于数字孪生体的配电网典型业务场景预警方法 |
| CN117893030A (zh) * | 2024-03-14 | 2024-04-16 | 中智(福建)科技有限公司 | 基于大数据的电力***风险预警方法 |
-
2023
- 2023-12-08 CN CN202311681831.5A patent/CN117610934A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114492150A (zh) * | 2020-10-23 | 2022-05-13 | 中国石油化工股份有限公司 | 一种基于数字孪生体的配电网典型业务场景预警方法 |
| CN117893030A (zh) * | 2024-03-14 | 2024-04-16 | 中智(福建)科技有限公司 | 基于大数据的电力***风险预警方法 |
| CN117893030B (zh) * | 2024-03-14 | 2024-05-28 | 中智(福建)科技有限公司 | 基于大数据的电力***风险预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117610934A (zh) | 一种电网安全风险评估预警*** | |
| CN106888205A (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
| CN108964269A (zh) | 配电网运维与综合管理*** | |
| CN112785458A (zh) | 一种桥梁健康大数据智能管养*** | |
| CN108197817A (zh) | 一种基于大数据的非侵入式负荷暂态监测的方法 | |
| CN110349048B (zh) | 变电站多维数据运行交互控制平台及故障处置方法 | |
| CN103034207A (zh) | 一种基础设施健康监测***及其实施过程 | |
| CN113723773A (zh) | 一种基于大数据分析的电能决策*** | |
| Cao et al. | Research and practice on Aluminum Industry 4.0 | |
| Jiang et al. | Research on Application of Artificial Intelligence Technology in Electrical Automation Control | |
| Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
| CN116881958A (zh) | 电网大数据安全防护方法、***、电子设备及存储介质 | |
| CN106026402A (zh) | 一种电力设备故障解决方案*** | |
| Guan et al. | Enhancing security and resilience of bulk power systems via multisource big data learning | |
| Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining | |
| CN206023369U (zh) | 一种电力设备故障解决方案*** | |
| Jie et al. | Investigation on Power System Dynamic Monitoring System Using Artificial Neural Networks | |
| Yang | Application and Research of Machine Learning Simulation Technology in Equipment Fault Monitoring under Smart Grid | |
| Dai et al. | A microgrid controller security monitoring model based on message flow | |
| Wang et al. | Design of microcomputer anti-misoperation alarm system for substation based on intelligent agent | |
| Ni | Study of a quality monitoring system of electric power using internet of things technology | |
| Intriago et al. | Real-time power system event detection: A novel instance selection approach | |
| Hong et al. | A BiLSTM-based Industry Abnormal Electricity Consumption Warning Model in the Context of Electricity IoT Edge Cloud | |
| CN211615613U (zh) | 一种电力安全监测的机器人远程控制*** | |
| Qian et al. | Functional Failure Probability Analysis Method of Dispatching Automation Master Station System Based on Logistic Regression Model |
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 |