CN117833464A - 一种用电信息采集终端在线运行状态安全监测方法 - Google Patents
一种用电信息采集终端在线运行状态安全监测方法 Download PDFInfo
- Publication number
- CN117833464A CN117833464A CN202311789728.2A CN202311789728A CN117833464A CN 117833464 A CN117833464 A CN 117833464A CN 202311789728 A CN202311789728 A CN 202311789728A CN 117833464 A CN117833464 A CN 117833464A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- monitoring
- acquisition terminal
- module
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 110
- 230000005611 electricity Effects 0.000 title claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 100
- 238000005070 sampling Methods 0.000 claims abstract description 56
- 230000005540 biological transmission Effects 0.000 claims abstract description 54
- 238000003860 storage Methods 0.000 claims abstract description 43
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 91
- 238000001514 detection method Methods 0.000 claims description 61
- 238000004458 analytical method Methods 0.000 claims description 48
- 230000005856 abnormality Effects 0.000 claims description 46
- 230000006854 communication Effects 0.000 claims description 46
- 238000004891 communication Methods 0.000 claims description 43
- 230000002159 abnormal effect Effects 0.000 claims description 42
- 230000007246 mechanism Effects 0.000 claims description 33
- 238000010801 machine learning Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 24
- 238000012423 maintenance Methods 0.000 claims description 22
- 238000013473 artificial intelligence Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013024 troubleshooting Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000007794 visualization technique Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 239000002245 particle Substances 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/09—Supervised learning
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00028—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment involving the use of Internet protocols
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
- H04L63/0442—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload wherein the sending and receiving network entities apply asymmetric encryption, i.e. different keys for encryption and decryption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Power Engineering (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开一种用电信息采集终端在线运行状态安全监测方法,涉及电力***监测领域,解决了现有运行状态安全监测方法存在的实时性和延迟、缺乏全面性、对外部设备和***的依赖性较高以及存在安全漏洞的缺点,采用的方法是,通过分布式处理架构和边缘处理模型将数据处理和分析任务进行转移,提高了实时性和响应速度;通过多因素采集监测模型采集和监测多种因素数据,实现对设备运行状态的全面评估;通过边缘处理模型和自适应采样模型降低了对外部设备和***的依赖性;通过多层次安全传输策略对采集终端和监测***的传输数据进行安全防护,通过区块链存储***实现监测数据的分布式存储,减少了安全漏洞。
Description
技术领域
本发明涉及电力***监测领域,且更确切地涉及一种用电信息采集终端在线运行状态安全监测方法。
背景技术
随着科技的迅猛发展,用电信息采集终端在工业、商业和家庭等领域中得到了广泛应用。这些终端设备通过采集和传输用电数据,实现对电力***运行状态的监测和管理。然而,随着用电信息采集终端规模不断扩大和复杂度增加,保障其在线运行状态的安全性和稳定性成为亟待解决的问题。面对日益频繁的电力供需调度和负荷波动,需要一种先进的在线运行状态安全监测方法来确保电力***的可靠运行。
目前,用电信息采集终端在线运行状态安全监测主要采用传统的数据采集与监测手段。这些方法通常依赖于传感器技术,通过采集电流、电压等参数的变化,以判断用电信息采集终端是否存在故障或异常。同时,基于数据分析和统计算法,可以对采集到的数据进行处理和分析,以提取有关用电信息采集终端运行状态的重要信息。
然而,现有的用电信息采集终端在线运行状态安全监测方法存在一些缺点。首先,部分方法仅关注单一的监测指标,无法全面评估用电信息采集终端的运行状态。这导致监测结果可能不准确且无法及时发现潜在的安全问题。其次,由于数据采集和传输的延迟,某些方法难以实时反映用电信息采集终端的运行状态,从而无法及时发现故障并采取相应措施。此外,在线监测方法可能面临网络安全威胁。如果终端的通讯连接不安全,可能会被攻击者入侵或篡改数据。这可能导致对电力***状态的误判或造成潜在的安全风险。最后,在线监测方法可能对外部设备和***的依赖性较高。如果其中的任何一个环节出现问题,可能会导致监测***无法正常工作或提供准确的数据。
因此,为了解决以上缺点,本发明公开一种用电信息采集终端在线运行状态安全监测方法。
发明内容
针对现有技术的不足,本发明公开了一种用电信息采集终端在线运行状态安全监测方法,本发明通过分布式处理架构和边缘处理模型将数据的处理和分析任务从中心服务器转移到边缘节点上进行处理,提高了实时性和响应速度。通过多因素采集监测模型采集和监测多种因素的数据,如电流、电压、功率参数、设备运行状态、通讯连接状态和环境参数等,实现对设备运行状态的全面评估。通过引入边缘处理模型和自适应采样模型,降低了对外部设备和***的依赖性。边缘处理模型将数据处理任务从中心服务器转移到边缘节点上进行处理,减少了对外部网络的依赖;自适应采样模型根据电力***的运行状态和需求,动态调整采集终端的采样频率和参数,降低了对网络带宽和存储资源的占用。通过多层次安全传输策略和区块链技术的引入,对采集终端和监测***的传输数据进行安全防护,并利用区块链存储***实现监测数据的去中心化和分布式存储,提高了数据的安全性和防篡改能力,减少了安全漏洞。此外,基于机器学习的异常检测算法能够实时分析和预测采集终端数据,及时识别潜在故障和异常状态,提高了***的安全性;基于异常检测数据,通过自主报警***实现对用电信息采集终端的实时告警,为故障排查和设备维护提供及时的数据支持,帮助提高故障处理效率。
为了实现上述技术效果,本发明采用以下技术方案:
一种用电信息采集终端在线运行状态安全监测方法,包括以下步骤:
步骤一、实时数据采集;
通过多因素采集监测模型采集用电信息采集终端的至少包括电流电压数据、功率参数、设备运行状态、通讯连接状态和环境参数数据;
步骤二、多层次安全传输策略;
通过多层次传输防护方法对采集终端和监测***的传输数据进行安全防护;
步骤三、构建分布式处理架构;
通过边缘处理模型将数据的处理和分析任务从中心服务器转移到边缘节点上进行处理;所述边缘处理模型通过基于人工智能的数据处理算法中对用电信息采集终端的数据流进行处理和分析;
步骤四、实时监测和故障排查;
通过基于机器学习的异常检测算法对采集终端数据进行实时分析和预测;
步骤五、实时告警通知;
基于异常检测数据,通过自主报警***实现对用电信息采集终端的实时告警,所述自主报警***通过信息传递和报警机制为故障排查和设备维护提供数据支持;
步骤六、采集终端动态调整;
根据电力***的运行状态和需求,通过自适应采样模型降低采集终端对网络带宽和存储资源的占用;
步骤七、引入区块链技术;
通过区块链存储***对监测数据进行去中心化和分布式存储;所述区块链存储***通过容灾备份机制确保监测***的可靠性和连续性;
步骤八、开发可视化展示界面;
通过可视化方法和图表库将监测结果进行展示。
作为本发明进一步的技术方案,所述多因素采集监测模型包括电流电压数据采集模块、功率参数采集模块、设备运行状态监测模块、通讯连接状态监测模块和环境参数采集模块;所述电流电压数据采集模块包括电流采集单元和电压采集单元;所述电流采集单元通过电流互感器采集终端电流数据;所述电压采集单元通过电压互感器采集终端电压数据;所述功率参数采集模块通过数学计算方法获取用电信息采集终端的功率参数;所述设备运行状态监测模块通过数据分析方法判断用电信息采集终端的运行状态;所述通讯连接状态监测模块通过通讯连接日志实时监测用电信息采集终端的通讯连接状态;所述环境参数采集模块通过温度传感器和湿度传感器实时采集用电信息采集终端周围的环境参数。
作为本发明进一步的技术方案,所述多层次传输防护方法的工作步骤为:
S1、通过非对称加密算法对采集终端和监测***之间的传输数据进行加密;
S2、通过数字签名方法对传输的数据进行签名;所述数字签名方法通过私钥对数据进行签名,接收端通过公钥进行验证,以确保数据的安全性和完整性;
S3、通过数据传输协议HTTPS传输数据;所述数据传输协议HTTPS通过多因素身份认证方法在通信过程中进行身份验证和加密通信,以提高***安全保护能力;
S4、通过防火墙设置和访问控制策略限制非法访问和网络攻击;所述访问控制策略通过IP地址范围限制、端口过滤和流量监测的方式对传输数据进行保护。
作为本发明进一步的技术方案,所述边缘处理模型包括特征提取模块、边缘协同处理模块、模型构建模块和运行状态监测模块;所述特征提取模块包括时域特征提取单元和频域特征提取单元;所述时域特征提取单元通过均值、方差、峰度和偏度计算方法从时间序列数据中提取时域特征;所述频域特征提取单元通过傅里叶变换提取频域特征,所述频域特征至少包括频率成分和谐波含量;所述边缘协同处理模块包括协同单元和数据交换单元;所述协同单元通过分布式计算和任务卸载策略将多个边缘节点组成协同网络,以提高边缘计算的效率和容错性;所述数据交换单元通过区块链传输方法实现边缘节点之间的可信数据交换和共享;所述模型构建模块通过深度学习框架构建数据处理模型;所述运行状态监测模块包括监测单元和预警单元;所述监测单元通过已训练好的模型对用电信息采集终端运行状态进行实时预测和监测;基于预测数据,所述预警单元通过规则引擎进行异常判断并触发报警机制。
作为本发明进一步的技术方案,所述基于人工智能的数据处理算法通过异常检测公式对采集终端数据流进行实时分析;所述异常检测公式的公式表达式为:
(1)
在公式(1)中,T表示在时间 t 时刻的异常检测结果,用于指示当前数据是否存在异常情况;S表示数据的均值,用于计算数据的平均水平;K为数据的标准差,用于衡量数据的离散程度;为阈值,用于判断异常情况,当数据与均值差异超过阈值时,认为存在异常情况;/>为调节参数,用于调整异常检测的灵敏度,当需要提高异常检测的灵敏度时,通过调节参数/>降低阈值;通过趋势分析公式对采集终端数据流的变化趋势进行监测,以分析电网负荷的变化趋势;所述趋势分析公式的公式表达式为:
(2)
在公式(2)中,Y表示在时间 t 时刻的趋势分析结果,用于指示当前数据的变化趋势;表示历史数据,用于计算采集终端数据的变化趋势;b为上升趋势的阈值,用于判断采集终端数据是否处于上升趋势;c为下降趋势的阈值,用于判断采集终端数据是否处于下降趋势;通过预测模型公式对采集终端数据流进行预测分析;所述预测模型公式的公式表达式为:
(3)
在公式(3)中,P表示在时间 t+1 时刻的数据预测结果,用于指示采集终端数据流未来的变化情况;h表示在时间 t 时刻的采集终端数据;v表示预测模型的参数,用于调整预测精度,表示步长因子,用于控制模型更新速度。
作为本发明进一步的技术方案,所述基于机器学习的异常检测算法通过线性回归函数利用输入特征和权重的组合预测输出结果;所述线性回归函数通过特征信息和基准值判断当前的运行状态;所述线性回归函数的公式表达式为:
(4)
在公式(4)中,M表示第r个样本的输出结果,用于表示该样本的预测值,为第r个样本的特征值,用于表示输入样本的各个特征,/>为特征值权重,用于表示特征对输出结果的影响程度,/>为偏置项,用于调整模型的截距;通过均方误差损失函数度量模型预测值与真实值之间的差异;所述均方误差损失函数通过最小化损失方法优化模型参数;所述均方误差损失函数的公式表达式为:
(5)
在公式(5)中,R表示损失函数,用于度量模型预测值与真实值之间的误差,为样本数量,用于表示训练集中样本的个数,i为第r个样本的真实值,用于表示训练集中的目标输出,m为第r个样本的预测值;通过高斯分布函数计算新数据的概率密度;所述高斯分布函数通过比较新数据的概率密度与预先学习到的训练数据的概率密度,以识别异常状态;所述高斯分布函数的公式表达式为:
(6)
在公式(6)中,Z为新数据的概率密度,用于表示新数据在训练数据的分布中的概率;为新数据的第/>个特征值,/>为训练数据中第/>个特征的均值,/>为训练数据中第/>个特征的方差。
作为本发明进一步的技术方案,所述自主报警***包括异常判断模块、报警机制模块和远程管理模块;所述异常判断模块包括异常检测单元和阈值设定单元;所述异常检测单元通过基于机器学习的异常检测算法对采集到的数据进行分析和处理;所述阈值设定单元通过规则引擎设定用于判断异常的阈值;所述报警机制模块包括报警触发单元、报警传递单元和报警处理单元;根据异常检测结果,所述报警触发单元通过电子信号和网络消息的方式触发报警信号;所述报警传递单元通过短信、邮件和电话的方式将报警信号传递给相关人员或***;所述报警处理单元通过日志记录器记录报警时间、位置和具体问题;所述远程管理模块包括远程监控单元、远程配置单元和远程维护单元;所述远程监控单元通过网络通信协议和远程访问方法实时获取用电信息采集终端的采集数据、异常检测和报警情况;所述远程配置单元通过远程命令下发和参数设置方法对用电信息采集终端的参数进行配置和调整;所述远程维护单元通过固件升级和错误日志查看的方式对用电信息采集终端进行故障排查和设备维护。
作为本发明进一步的技术方案,所述自适应采样模型包括运行状态分析模块、需求预测模块、采样频率控制模块和采样参数调整模块;所述运行状态分析模块通过统计分析方法对用电信息采集终端的历史运行状态进行分析;所述需求预测模块包括时间序列分析单元和机器学***均模型对历史数据和运行状态分析结果进行建模;所述数据可信性验证单元通过公钥加密方法验证数据真实性和完整性;所述机器学习分析单元通过线性回归算法对采样数据进行分析;所述采样频率控制模块包括自适应控制单元和预警监测单元;所述自适应控制单元通过比例积分微分控制器动态调整采集终端的采样频率;所述预警监测单元通过阈值设定和异常检测方法实时监测电力***的运行状态和采集终端的数据采集情况;所述采样参数调整模块包括自适应参数调整单元和优化调整单元;根据运行状态分析结果和需求预测结果,所述自适应参数调整单元通过模糊控制方法动态调整采集终端的采样参数,所述采样参数至少包括采样精度和采样间隔;所述优化调整单元通过粒子群算法提高***采集效率所述数据可信性验证单元通过公钥加密方法验证数据真实性和完整性。
作为本发明进一步的技术方案,所述区块链存储***包括区块生成模块、区块链网络模块和容灾备份模块;所述区块生成模块包括数据分块单元和数据摘要单元;所述数据分块单元通过数据分类器将监测数据进行分块;所述数据摘要单元通过哈希算法生成数据摘要;所述区块链网络模块包括共识算法单元、分布式存储单元和区块链通信单元;所述共识算法单元通过工作量证明和权益证明方法确保区块链网络中的每个节点存储数据量相同;所述分布式存储单元通过去中心化存储方法将数据分块存储在多个节点上;所述区块链通信单元通过无线网络通信协议实现区块链网络中节点间数据的传输、验证和存储操作;所述容灾备份模块包括数据冗余备份单元和容错机制单元;所述数据冗余备份单元通过数据复制方法将数据分块复制到多个节点上;所述容错机制单元通过拜占庭容错算法确保即使部分节点出现故障或恶意行为,***仍能正常运行。
本发明有益的积极效果在于:
本发明通过分布式处理架构和边缘处理模型将数据的处理和分析任务从中心服务器转移到边缘节点上进行处理,提高了实时性和响应速度。通过多因素采集监测模型采集和监测多种因素的数据,如电流、电压、功率参数、设备运行状态、通讯连接状态和环境参数等,实现对设备运行状态的全面评估。通过引入边缘处理模型和自适应采样模型,降低了对外部设备和***的依赖性。边缘处理模型将数据处理任务从中心服务器转移到边缘节点上进行处理,减少了对外部网络的依赖;自适应采样模型根据电力***的运行状态和需求,动态调整采集终端的采样频率和参数,降低了对网络带宽和存储资源的占用。通过多层次安全传输策略和区块链技术的引入,对采集终端和监测***的传输数据进行安全防护,并利用区块链存储***实现监测数据的去中心化和分布式存储,提高了数据的安全性和防篡改能力,减少了安全漏洞。此外,基于机器学习的异常检测算法能够实时分析和预测采集终端数据,及时识别潜在故障和异常状态,提高了***的安全性;基于异常检测数据,通过自主报警***实现对用电信息采集终端的实时告警,为故障排查和设备维护提供及时的数据支持,帮助提高故障处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图,其中:
图1为本发明的整体步骤流程图;
图2为本发明的边缘处理模型结构原理图;
图3为本发明的基于机器学习的异常检测算法的流程图;
图4为本发明的区块链存储***的结构示意图;
图5为本发明的多层次传输防护方法流程示意图。
具体实施方式
下面将结合本文实施例中的附图,对本文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文一部分实施例,而不是全部的实施例。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1-图5所示,一种用电信息采集终端在线运行状态安全监测方法,包括以下步骤:
步骤一、实时数据采集;
通过多因素采集监测模型采集用电信息采集终端的至少包括电流电压数据、功率参数、设备运行状态、通讯连接状态和环境参数数据;
步骤二、多层次安全传输策略;
通过多层次传输防护方法对采集终端和监测***的传输数据进行安全防护;
步骤三、构建分布式处理架构;
通过边缘处理模型将数据的处理和分析任务从中心服务器转移到边缘节点上进行处理;所述边缘处理模型通过基于人工智能的数据处理算法中对用电信息采集终端的数据流进行处理和分析;
步骤四、实时监测和故障排查;
通过基于机器学习的异常检测算法对采集终端数据进行实时分析和预测;
步骤五、实时告警通知;
基于异常检测数据,通过自主报警***实现对用电信息采集终端的实时告警,所述自主报警***通过信息传递和报警机制为故障排查和设备维护提供数据支持;
步骤六、采集终端动态调整;
根据电力***的运行状态和需求,通过自适应采样模型降低采集终端对网络带宽和存储资源的占用;
步骤七、引入区块链技术;
通过区块链存储***对监测数据进行去中心化和分布式存储;所述区块链存储***通过容灾备份机制确保监测***的可靠性和连续性;
步骤八、开发可视化展示界面;
通过可视化方法和图表库将监测结果进行展示。
在具体实施例中,在实时数据采集阶段,具体工作原理包括传感器实时采集电力设备的运行状态数据,将采集到的模拟或数字信号转换成对应的电能参数,然后通过数据采集模块传输到监测***。多层次安全传输策略包括加密技术、身份验证和访问控制等手段。分布式处理架构通过将数据处理任务从中心服务器转移到边缘节点上进行处理,以降低数据传输延迟和减少对外部网络的依赖性。其工作原理是在边缘节点部署数据处理算法和模型,使得数据可以在本地进行处理和分析,从而提高数据处理的效率和实时性。同时,通过分布式架构可以实现负载均衡和容错处理,提高***的稳定性和可靠性。实时监测和故障排查利用基于机器学习的异常检测算法对采集终端数据进行实时分析和预测。该方法通过对历史数据的学习和模式识别,能够发现设备的异常运行情况,提供故障排查的依据。基于机器学习算法的工作原理是对大量的历史数据进行训练和学习,建立设备正常运行状态的模型,一旦发现与之不符的数据,即可判断为异常情况。实时告警通知通过自主报警***实现对用电信息采集终端的实时告警。其工作原理是在监测***中设定预警阈值,一旦数据超过设定的阈值,则会触发报警机制,向相关人员发送告警通知。这样可以及时提醒相关人员注意设备的异常情况,为故障排查和设备维护提供及时的数据支持。在采集终端动态调整的工作原理中,首先需要实时监测电力***的运行状态和需求。这可以通过对电网负荷、电压、频率等参数进行实时监测和分析来实现。一旦监测到***运行状态或需求发生变化,就会触发动态调整机制。此时,自适应采样模型会根据实际情况灵活地调整采集终端的采样频率和参数,以确保能够满足对数据的实时性要求,同时降低对网络带宽和存储资源的占用。这种动态调整可以根据***负荷变化、电网频率变化等因素进行自动优化,提高***的效率和性能。引入区块链技术的工作原理涉及区块链的去中心化和分布式存储特性。当监测数据产生时,会将数据加密并存储在区块链网络中的多个节点上,形成不可篡改的数据记录。这样可以确保监测数据的安全性和防篡改能力。同时,区块链技术的去中心化特性意味着数据不依赖于单一的数据中心或服务器,而是存储在网络上的多个节点上。即使部分节点发生故障,数据仍然可以得到保护和恢复,从而确保监测***的可靠性和连续性。可视化展示界面的工作原理包括数据的处理和图形化展示。在数据处理方面,监测***会对采集的大量数据进行汇总、统计和分析,提取关键指标和特征。然后,利用图表库和可视化技术,将处理后的数据以直观的图表、曲线图等形式展示在界面上,为用户提供直观的数据呈现方式。
在上述实施例中,所述多因素采集监测模型包括电流电压数据采集模块、功率参数采集模块、设备运行状态监测模块、通讯连接状态监测模块和环境参数采集模块;所述电流电压数据采集模块包括电流采集单元和电压采集单元;所述电流采集单元通过电流互感器采集终端电流数据;所述电压采集单元通过电压互感器采集终端电压数据;所述功率参数采集模块通过数学计算方法获取用电信息采集终端的功率参数;所述设备运行状态监测模块通过数据分析方法判断用电信息采集终端的运行状态;所述通讯连接状态监测模块通过通讯连接日志实时监测用电信息采集终端的通讯连接状态;所述环境参数采集模块通过温度传感器和湿度传感器实时采集用电信息采集终端周围的环境参数。
在具体实施例中,在多因素采集监测模型中,各个采集模块的数据相互比较,可以实现更为准确、全面的设备运行状态监测。例如,电流电压数据采集模块可以通过电流和电压的波形分析,判断设备的电器负载情况,从而预测设备可能出现的故障;功率参数采集模块可以通过实时计算用电设备的功率因数,判断设备是否存在过载、欠载等问题,以及是否存在电能浪费的情况。同时,设备运行状态监测模块可以集成多种传感器,例如温度传感器、湿度传感器、震动传感器等,对设备的物理情况进行监测。这些传感器采集到的数据可以与电气信号数据相结合,实现设备的全方位监测,从而更加准确地判断设备的运行状态。另外,通讯连接状态监测模块可以检测设备与服务器之间的通讯连接是否正常。如果通讯连接出现异常,可以及时采取措施修复,保证设备的正常运行。环境参数采集模块可以采集环境温度、湿度等参数,判断环境是否对设备的运行产生影响,从而及时采取措施进行调整。
在一种用电信息采集终端在线运行状态安全监测方法中,电流电压数据采集模块通过传感器等设备实时采集电网中的电流和电压数据。这些数据可以用于分析电网负荷情况、电能利用率以及电网稳定性等指标。功率参数采集模块负责采集用电设备的功率参数,包括有功功率、无功功率、视在功率等。这些参数对于评估设备的能效和运行状态非常重要。设备运行状态监测模块监测设备的运行状态,包括设备的开关状态、运行时间、运行温度等。这些信息可以用于预测设备寿命、提前发现潜在故障迹象,并进行相应的维护和保养。通讯连接状态监测模块监测用电信息采集终端与上位监控***之间的通讯连接状态,确保数据的实时传输和通讯的可靠性。环境参数采集模块用于采集周围环境的参数,比如温度、湿度、气压等。这些参数对于设备的安全运行和环境监测非常重要。
在上述实施例中,所述多层次传输防护方法的工作步骤为:
S1、通过非对称加密算法对采集终端和监测***之间的传输数据进行加密;
S2、通过数字签名方法对传输的数据进行签名;所述数字签名方法通过私钥对数据进行签名,接收端通过公钥进行验证,以确保数据的安全性和完整性;
S3、通过数据传输协议HTTPS传输数据;所述数据传输协议HTTPS通过多因素身份认证方法在通信过程中进行身份验证和加密通信,以提高***安全保护能力;
S4、通过防火墙设置和访问控制策略限制非法访问和网络攻击;所述访问控制策略通过IP地址范围限制、端口过滤和流量监测的方式对传输数据进行保护。
在具体实施例中,多层次传输防护方法在采集终端和监测***之间的传输数据使用加密算法进行加密处理,确保数据在传输过程中的机密性。加密后的数据只能由具有相应解密密钥的接收方才能还原。传输双方通过身份认证机制进行验证,确保通信的双方都是合法的,并且具有相应的权限。一般采用数字证书、密钥交换等方式进行身份验证。另外,通过添加数字签名或消息认证码等机制,对传输数据进行防篡改保护。接收方可以验证数据的完整性,确保数据在传输过程中未被篡改。其次,采用时间戳、序列号等机制,防止攻击者通过重复发送已经被记录的数据包来欺骗***。接收方可根据时间戳或序列号等信息判断数据的新鲜性。同时,采用流量控制、访问控制、异常检测等方法,防止攻击者通过大量恶意请求或其他方式造成***资源耗尽或服务不可用。
在上述实施例中,所述边缘处理模型包括特征提取模块、边缘协同处理模块、模型构建模块和运行状态监测模块;所述特征提取模块包括时域特征提取单元和频域特征提取单元;所述时域特征提取单元通过均值、方差、峰度和偏度计算方法从时间序列数据中提取时域特征;所述频域特征提取单元通过傅里叶变换提取频域特征,所述频域特征至少包括频率成分和谐波含量;所述边缘协同处理模块包括协同单元和数据交换单元;所述协同单元通过分布式计算和任务卸载策略将多个边缘节点组成协同网络,以提高边缘计算的效率和容错性;所述数据交换单元通过区块链传输方法实现边缘节点之间的可信数据交换和共享;所述模型构建模块通过深度学习框架构建数据处理模型;所述运行状态监测模块包括监测单元和预警单元;所述监测单元通过已训练好的模型对用电信息采集终端运行状态进行实时预测和监测;基于预测数据,所述预警单元通过规则引擎进行异常判断并触发报警机制。
在具体实施例中,边缘处理模型从预处理后的数据中提取与设备运行状态相关的特征。特征可以是统计指标、频域分析结果、时域波形参数等。特征提取的目的是从复杂的数据中提取出有用且具有代表性的信息,用于描述设备的运行状态。边缘处理模型利用边缘计算技术,将部分数据处理和分析任务分配到边缘节点上进行处理。这样可以减少对中心服务器的依赖,降低数据传输延迟和网络带宽消耗。边缘节点可以根据预定义的规则或模型进行简单的判断和处理,例如识别异常状态或触发报警。接着,通过模型构建模块构建运行状态监测模型。常见的方法包括机器学习和深度学习技术。模型可以使用历史数据进行训练,并利用已知的运行状态进行监督学习。最后,运行状态监测模块利用构建好的模型对当前的运行状态进行监测和评估。根据特征提取模块提取到的特征以及模型的预测结果,可以实时监测设备的工作状态,如正常、异常、故障等情况。监测模块可以输出运行状态的预测结果,并根据需要触发相应的控制或报警机制。
在具体实施中,边缘处理模型通过在边缘节点进行部分数据处理和分析,可以实现对设备运行状态的实时监测和快速响应,减少了数据传输延迟。另外,边缘协同处理模块可以在本地进行数据处理和分析,减少了对中心服务器的依赖,降低了网络带宽消耗。其次,边缘处理模型可以在本地对数据进行处理,减少了敏感数据通过网络传输的风险,提高了数据的隐私保护能力。同时,通过模型构建模块和运行状态监测模块,可以对设备的运行状态进行预测和评估,及时发现潜在故障并进行维护,提高了设备的可靠性和稳定性。最后,边缘处理模型可以在边缘节点上进行部分处理和判断,减少了对中心服务器的计算资源需求,降低了***维护和运行的成本。
在上述实施例中,所述基于人工智能的数据处理算法通过异常检测公式对采集终端数据流进行实时分析;所述异常检测公式的公式表达式为:
(1)
在公式(1)中,T表示在时间 t 时刻的异常检测结果,用于指示当前数据是否存在异常情况;S表示数据的均值,用于计算数据的平均水平;K为数据的标准差,用于衡量数据的离散程度;为阈值,用于判断异常情况,当数据与均值差异超过阈值时,认为存在异常情况;/>为调节参数,用于调整异常检测的灵敏度,当需要提高异常检测的灵敏度时,通过调节参数/>降低阈值;通过趋势分析公式对采集终端数据流的变化趋势进行监测,以分析电网负荷的变化趋势;所述趋势分析公式的公式表达式为:
(2)
在公式(2)中,Y表示在时间 t 时刻的趋势分析结果,用于指示当前数据的变化趋势;表示历史数据,用于计算采集终端数据的变化趋势;b为上升趋势的阈值,用于判断采集终端数据是否处于上升趋势;c为下降趋势的阈值,用于判断采集终端数据是否处于下降趋势;通过预测模型公式对采集终端数据流进行预测分析;所述预测模型公式的公式表达式为:
(3)
在公式(3)中,P表示在时间 t+1 时刻的数据预测结果,用于指示采集终端数据流未来的变化情况;h表示在时间 t 时刻的采集终端数据;v表示预测模型的参数,用于调整预测精度,表示步长因子,用于控制模型更新速度。
在具体实施例中,在一种用电信息采集终端在线运行状态安全监测方法的具体实施例中,基于人工智能的数据处理算法通过数据处理服务器运行基于人工智能的数据处理算法,对用电信息采集终端的数据流进行处理和分析。
在具体实施中,基于人工智能的数据处理算法的测试数据表如表格1所示:
表1基于人工智能的数据处理算法的测试数据表
在数据表格1中,数据处理算法基于这些数据进行训练和分析,识别出正常和异常的运行状态,并标注相应的异常情况,例如过载或低电压。时间戳记录了每次数据采集的时间点。电流(A)表示采集到的用电设备的电流数值,单位为安培(A)。电压(V)表示采集到的用电设备的电压数值,单位为伏特(V)。功率(W)表示采集到的用电设备的功率数值,单位为瓦特(W)。运行状态用于描述用电设备的运行状态,正常表示设备正常运行,异常表示设备出现异常情况。异常情况表示当运行状态字段为异常时,该字段用于说明具体的异常情况,例如过载或低电压。
基于人工智能的数据处理算法在用电信息采集终端在线运行状态安全监测中的工作方式原理为:
R1、数据采集和传感器:用电信息采集终端通过各类传感器(比如电流传感器、电压传感器等)采集到实时的用电信息。这些传感器技术通常涉及模拟电路设计、信号处理和数据转换等方面的知识。
R2、数据预处理与特征提取:在数据采集后,需要进行数据预处理,包括去除噪声、滤波、归一化、时频转换等操作。特征提取则是从经过预处理的数据中提取出具有代表性的特征,这可能涉及到信号处理、频谱分析、小波变换等技术。
R3、人工智能算法:基于人工智能的数据处理算法可以采用各种技术,例如深度学习、机器学习、模式识别等。这些算法需要对大量的历史数据进行训练,以便能够从数据中学习并建立模型,进而实现对运行状态的分析和预测。
R4、模型训练和更新:模型训练是一个关键步骤,需要利用已有的数据来训练算法模型,使其能够准确地对不同情况做出判断。此外,模型还需要不断地进行更新和优化,以应对实际运行环境中的变化和新数据的输入。
R5、运行状态分析和预警:一旦模型被训练和部署,它就能够对新的数据进行分析,判断设备的运行状态和安全性。如果发现异常情况,***会触发预警和报警机制,通知相关人员进行处理和维护。
在具体实施中,基于人工智能的数据处理算法可以快速地对大量数据进行处理和分析,提高***的实时性和响应速度。另外,基于人工智能的数据处理算法可以通过不断的模型训练和更新,提高分析的准确性和可靠性。同时,基于人工智能的数据处理算法可以实时监测终端设备的运行状态和安全性,提供预警和报警信息,增强对终端设备的维护监测能力。在具体实施中,基于人工智能的数据处理算法与传统算法的数据测试对比示例表如表2所示:
表2基于人工智能的数据处理算法对比表
在数据表格2中,数据准确性指算法对采集到的数据进行处理和分析的准确程度,运行速度指算法处理一次数据所需的时间,预警准确性指算法发出预警信号后的准确率。基于人工智能的数据处理算法相较于传统算法,***复杂度较低。这是因为基于人工智能的算法可以通过深度学习等方法自动从数据中学习特征,并生成相应的模型,而传统算法需要手动设计特征提取和分类算法,需要更多的专业知识和人工干预。基于人工智能的数据处理算法具有较高的适应性。由于其可以通过大规模数据的训练和学习,可以适应各种复杂的数据分布和场景,能够处理更多类型的数据。而传统算法在新的数据类型或分布上可能表现不佳。基于人工智能的数据处理算法具有较强的可扩展性。通过增加训练数据和优化模型结构,可以进一步提高算法的性能和准确性。而传统算法的可扩展性相对较差,需要手动调整算法和参数以适应新的需求。
在上述实施例中,所述基于机器学习的异常检测算法通过线性回归函数利用输入特征和权重的组合预测输出结果;所述线性回归函数通过特征信息和基准值判断当前的运行状态;所述线性回归函数的公式表达式为:
(4)
在公式(4)中,M表示第r个样本的输出结果,用于表示该样本的预测值,为第r个样本的特征值,用于表示输入样本的各个特征,/>为特征值权重,用于表示特征对输出结果的影响程度,/>为偏置项,用于调整模型的截距;通过均方误差损失函数度量模型预测值与真实值之间的差异;所述均方误差损失函数通过最小化损失方法优化模型参数;所述均方误差损失函数的公式表达式为:
(5)
在公式(5)中,R表示损失函数,用于度量模型预测值与真实值之间的误差,为样本数量,用于表示训练集中样本的个数,i为第r个样本的真实值,用于表示训练集中的目标输出,m为第r个样本的预测值;通过高斯分布函数计算新数据的概率密度;所述高斯分布函数通过比较新数据的概率密度与预先学习到的训练数据的概率密度,以识别异常状态;所述高斯分布函数的公式表达式为:
(6)
在公式(6)中,Z为新数据的概率密度,用于表示新数据在训练数据的分布中的概率;为新数据的第/>个特征值,/>为训练数据中第/>个特征的均值,/>为训练数据中第/>个特征的方差。
在具体实施例中,基于机器学习的异常检测算法通过用电信息采集终端采集用电设备的运行状态数据,并将其传输到数据处理算法进行处理和分析。用电信息采集终端通常包括传感器、信号放大器、模数转换器和通讯模块等组成。通过数据处理服务器或工作站运行基于机器学习的异常检测算法,对用电信息采集终端的数据流进行实时分析和预测。数据处理服务器或工作站应具备较高的计算性能和内存容量,以满足算法的计算需求。通过存储设备存储历史数据和算法模型。存储设备可以是硬盘或者固态硬盘等。通过网络设备连接用电信息采集终端和数据处理服务器或工作站之间的数据传输。网络设备可以是路由器、交换机等。
在具体实施中,基于机器学习的异常检测算法的运行过程为:
M1、数据采集:用电信息采集终端实时采集用电设备的运行状态数据,例如电流、电压、功率等相关参数,并将数据以数据流的形式传输至数据处理服务器。
M2、特征提取:数据处理服务器从接收到的数据流中提取特征,例如频域特征、时域特征或其他统计特征。这些特征可以反映用电设备的运行状态和潜在的异常情况。
M3、模型训练:基于提取的特征,利用机器学习算法(如支持向量机、聚类算法或深度学习算法)构建异常检测模型。通过历史数据的训练,模型能够学习正常运行状态的模式,并能够识别出与之不符的异常情况。
M4、实时分析和预测:在运行过程中,数据处理服务器会不断地对实时数据流进行监测和分析,利用训练好的异常检测模型进行预测。当发现异常情况时,算法会触发相应的预警通知或自动采取措施进行故障排查等。
在具体实施中,基于机器学习的异常检测算法的测试数据如表3所示:
表3基于机器学习的异常检测算法的测试数据表
在数据表格3中,时间戳记录每次采集数据的时间。特征1、特征2、特征3表示用电设备的各种传感器数据。预测结果表示算法对该时间点所观测到的数据进行异常检测后得出的预测结果,通常是通过比较当前特征值和事先训练好的模型进行判断。如果预测结果为异常,则在此列记录具体的异常情况,例如过载、低电压、相位异常等。
在具体实施例中,基于机器学习的异常检测算法可以快速、准确地识别用电信息采集终端中的潜在故障和异常状态,帮助运维人员及时发现并解决问题。另外,通过实时监测和预测,该方法可以提前预警潜在的故障和异常情况,从而减少事故发生的可能性,降低运营风险和经济损失。其次,准确监测用电信息采集终端的运行状态,可以优化维护计划和资源分配,提高设备的可用性和***的稳定性。同时,通过对历史数据的分析和学习,基于机器学习的异常检测算法可以提供有价值的数据洞察,帮助优化用电***的设计和运营策略。
在上述实施例中,所述自主报警***包括异常判断模块、报警机制模块和远程管理模块;所述异常判断模块包括异常检测单元和阈值设定单元;所述异常检测单元通过基于机器学习的异常检测算法对采集到的数据进行分析和处理;所述阈值设定单元通过规则引擎设定用于判断异常的阈值;所述报警机制模块包括报警触发单元、报警传递单元和报警处理单元;根据异常检测结果,所述报警触发单元通过电子信号和网络消息的方式触发报警信号;所述报警传递单元通过短信、邮件和电话的方式将报警信号传递给相关人员或***;所述报警处理单元通过日志记录器记录报警时间、位置和具体问题;所述远程管理模块包括远程监控单元、远程配置单元和远程维护单元;所述远程监控单元通过网络通信协议和远程访问方法实时获取用电信息采集终端的采集数据、异常检测和报警情况;所述远程配置单元通过远程命令下发和参数设置方法对用电信息采集终端的参数进行配置和调整;所述远程维护单元通过固件升级和错误日志查看的方式对用电信息采集终端进行故障排查和设备维护。
在具体实施例中,自主报警***通过异常判断模块对数据进行实时分析和处理,并通过设定的算法和规则判断用电信息采集终端的运行状态是否正常。异常判断模块可以采用多种算法,例如神经网络算法、模糊逻辑算法等,并可根据实际情况进行优化和调整。当异常判断模块检测到用电信息采集终端存在异常情况时,报警机制模块会触发相应的报警机制。报警机制模块可以根据不同的异常情况,设置不同的报警方式和级别,例如声音报警、短信通知、邮件通知等形式,并且可以向相关人员发送预警信息。通过远程管理模块允许远程管理人员通过网络连接到监测***,实时查看用电信息采集终端的运行状态和报警信息。远程管理模块具有良好的可视化界面,使管理人员能够直观地了解终端设备的运行状况,并且可以进行远程管理和维护,例如远程重启终端、调整终端参数等。
在具体实施中,通过异常判断模块能够高效准确地对终端设备的运行状态进行监测和判断,及时发现异常情况,并进行处理,提高终端设备的可靠性和稳定性。报警机制模块能够快速响应异常情况,并通过多种报警方式进行通知,使相关人员能够及时采取措施处理问题,减少损失和影响。远程管理模块允许远程管理人员实时查看终端设备的运行状态和报警信息,方便进行远程管理和维护,提高工作效率和便利性。
在上述实施例中,所述自适应采样模型包括运行状态分析模块、需求预测模块、采样频率控制模块和采样参数调整模块;所述运行状态分析模块通过统计分析方法对用电信息采集终端的历史运行状态进行分析;所述需求预测模块包括时间序列分析单元和机器学***均模型对历史数据和运行状态分析结果进行建模;所述数据可信性验证单元通过公钥加密方法验证数据真实性和完整性;所述机器学习分析单元通过线性回归算法对采样数据进行分析;所述采样频率控制模块包括自适应控制单元和预警监测单元;所述自适应控制单元通过比例积分微分控制器动态调整采集终端的采样频率;所述预警监测单元通过阈值设定和异常检测方法实时监测电力***的运行状态和采集终端的数据采集情况;所述采样参数调整模块包括自适应参数调整单元和优化调整单元;根据运行状态分析结果和需求预测结果,所述自适应参数调整单元通过模糊控制方法动态调整采集终端的采样参数,所述采样参数至少包括采样精度和采样间隔;所述优化调整单元通过粒子群算法提高***采集效率所述数据可信性验证单元通过公钥加密方法验证数据真实性和完整性。
在具体实施例中,自适应采样模型通过运行状态分析模块对采集到的用电信息进行实时分析,以判断设备的运行状态是否正常。它可以利用历史数据和预定义的规则或模型来识别异常状态或故障情况。另外,通过需求预测模块分析当前和历史数据,预测未来一段时间内设备的运行状态需求。这可以帮助***提前做出相应的调整和准备。根据需求预测和当前的运行状态分析结果,通过采样频率控制模块动态调整采样频率,即决定采集数据的时间间隔。当***处于稳定状态时,可以降低采样频率以减少数据量;当***发生异常或需要更精细的监测时,可以增加采样频率。根据实际监测情况和需求预测,通过采样参数调整模块动态调整采样参数,如采样点数量、采样时间长度等。这可以使***在不同情况下具有更好的适应性和灵活性。
在具体实施中,自适应采样模型根据设备的实际需求和状态变化,动态调整采样频率和参数,保证监测数据的及时性和准确性。另外,在设备运行稳定时,降低采样频率和参数,节约能耗和存储空间;在异常情况下提高采样频率,保证数据详尽和全面。其次,根据需求预测和运行状态分析,调整采样策略,可以更好地捕捉设备运行状态的变化,提高监测数据的准确性和可靠性。
在上述实施例中,所述区块链存储***包括区块生成模块、区块链网络模块和容灾备份模块;所述区块生成模块包括数据分块单元和数据摘要单元;所述数据分块单元通过数据分类器将监测数据进行分块;所述数据摘要单元通过哈希算法生成数据摘要;所述区块链网络模块包括共识算法单元、分布式存储单元和区块链通信单元;所述共识算法单元通过工作量证明和权益证明方法确保区块链网络中的每个节点存储数据量相同;所述分布式存储单元通过去中心化存储方法将数据分块存储在多个节点上;所述区块链通信单元通过无线网络通信协议实现区块链网络中节点间数据的传输、验证和存储操作;所述容灾备份模块包括数据冗余备份单元和容错机制单元;所述数据冗余备份单元通过数据复制方法将数据分块复制到多个节点上;所述容错机制单元通过拜占庭容错算法确保即使部分节点出现故障或恶意行为,***仍能正常运行。
在具体实施例中,区块链存储***中,区块生成模块利用密码学哈希函数对用电信息采集终端的数据进行计算,生成唯一的哈希值。这个哈希值在区块链中充当了数据的数字指纹,确保数据的完整性和不可篡改性。此外,区块生成模块还将包含哈希值的交易记录打包成新的区块,并为该区块添加时间戳和其他元数据。区块链网络模块由多个节点组成,节点之间通过点对点通信协议进行连接和数据传输。每个节点都保存有完整的区块链副本,并且通过共识算法(如工作量证明或权益证明)达成一致,确保所有节点的区块链数据保持同步和一致。当新的区块被生成后,会通过广播的方式将区块传播到整个网络中的其他节点。为了提高区块链的容灾性和可用性,容灾备份模块会将区块链数据进行备份存储。备份可以分布在不同的地理位置或由多个节点负责保存,即使某些节点或数据中心发生故障,仍能够从备份中恢复数据,保证区块链的可靠性和持久性。在区块链中,数据验证是一个重要的环节。数据验证模块负责验证新生成的区块的合法性和正确性。它会检查每个交易记录的数字签名、哈希值以及其他约束条件,确保交易的有效性,并拒绝任何不符合规则的交易。
在具体实施中,由于区块链的分布式特性和加密技术,没有单一的控制点,数据无法被单一机构或个体篡改。这使得区块链存储***具有高度的安全性和防篡改性,确保用电信息采集终端运行状态数据的可信性和完整性。另外,区块链存储***可以实时记录和存储用电信息采集终端的运行状态数据,并通过共识算法确保数据的准确性。这为监测和管理者提供了实时的数据反馈,使其能够及时发现潜在问题、进行预警和采取相应措施。其次,区块链存储***的去中心化特性和数据共享机制,使得不同参与方能够共享和获取相同的用电信息采集终端数据,从而促进多方合作和协同。这对于电力行业的监管、供应商和用户之间的互动都具有积极的促进作用。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和***的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (9)
1.一种用电信息采集终端在线运行状态安全监测方法,其特征在于:包括以下步骤:
步骤一、实时数据采集;
通过多因素采集监测模型采集用电信息采集终端的至少包括电流电压数据、功率参数、设备运行状态、通讯连接状态和环境参数数据;
步骤二、多层次安全传输策略;
通过多层次传输防护方法对采集终端和监测***的传输数据进行安全防护;
步骤三、构建分布式处理架构;
通过边缘处理模型将数据的处理和分析任务从中心服务器转移到边缘节点上进行处理;所述边缘处理模型通过基于人工智能的数据处理算法中对用电信息采集终端的数据流进行处理和分析;
步骤四、实时监测和故障排查;
通过基于机器学习的异常检测算法对采集终端数据进行实时分析和预测;
步骤五、实时告警通知;
基于异常检测数据,通过自主报警***实现对用电信息采集终端的实时告警,所述自主报警***通过信息传递和报警机制为故障排查和设备维护提供数据支持;
步骤六、采集终端动态调整;
根据电力***的运行状态和需求,通过自适应采样模型降低采集终端对网络带宽和存储资源的占用;
步骤七、引入区块链技术;
通过区块链存储***对监测数据进行去中心化和分布式存储;所述区块链存储***通过容灾备份机制确保监测***的可靠性和连续性;
步骤八、开发可视化展示界面;
通过可视化方法和图表库将监测结果进行展示。
2.根据权利要求1所述的一种用电信息采集终端在线运行状态安全监测方法,其特征在于:所述多因素采集监测模型包括电流电压数据采集模块、功率参数采集模块、设备运行状态监测模块、通讯连接状态监测模块和环境参数采集模块;所述电流电压数据采集模块包括电流采集单元和电压采集单元;所述电流采集单元通过电流互感器采集终端电流数据;所述电压采集单元通过电压互感器采集终端电压数据;所述功率参数采集模块通过数学计算方法获取用电信息采集终端的功率参数;所述设备运行状态监测模块通过数据分析方法判断用电信息采集终端的运行状态;所述通讯连接状态监测模块通过通讯连接日志实时监测用电信息采集终端的通讯连接状态;所述环境参数采集模块通过温度传感器和湿度传感器实时采集用电信息采集终端周围的环境参数。
3.根据权利要求1所述的一种用电信息采集终端在线运行状态安全监测方法,其特征在于:所述多层次传输防护方法的工作步骤为:
S1、通过非对称加密算法对采集终端和监测***之间的传输数据进行加密;
S2、通过数字签名方法对传输的数据进行签名;所述数字签名方法通过私钥对数据进行签名,接收端通过公钥进行验证,以确保数据的安全性和完整性;
S3、通过数据传输协议HTTPS传输数据;所述数据传输协议HTTPS通过多因素身份认证方法在通信过程中进行身份验证和加密通信,以提高***安全保护能力;
S4、通过防火墙设置和访问控制策略限制非法访问和网络攻击;所述访问控制策略通过IP地址范围限制、端口过滤和流量监测的方式对传输数据进行保护。
4.根据权利要求1所述的一种用电信息采集终端在线运行状态安全监测方法,其特征在于:所述边缘处理模型包括特征提取模块、边缘协同处理模块、模型构建模块和运行状态监测模块;所述特征提取模块包括时域特征提取单元和频域特征提取单元;所述时域特征提取单元通过均值、方差、峰度和偏度计算方法从时间序列数据中提取时域特征;所述频域特征提取单元通过傅里叶变换提取频域特征,所述频域特征至少包括频率成分和谐波含量;所述边缘协同处理模块包括协同单元和数据交换单元;所述协同单元通过分布式计算和任务卸载策略将多个边缘节点组成协同网络;所述数据交换单元通过区块链传输方法实现边缘节点之间的可信数据交换和共享;所述模型构建模块通过深度学习框架构建数据处理模型;所述运行状态监测模块包括监测单元和预警单元;所述监测单元通过已训练好的模型对用电信息采集终端运行状态进行实时预测和监测;基于预测数据,所述预警单元通过规则引擎进行异常判断并触发报警机制。
5.根据权利要求1所述的一种用电信息采集终端在线运行状态安全监测方法,其特征在于:所述基于人工智能的数据处理算法通过异常检测公式对采集终端数据流进行实时分析;所述异常检测公式的公式表达式为:
(1)
在公式(1)中,T表示在时间 t 时刻的异常检测结果,用于指示当前数据是否存在异常情况;S表示数据的均值,用于计算数据的平均水平;K为数据的标准差,用于衡量数据的离散程度;为阈值,用于判断异常情况,当数据与均值差异超过阈值时,认为存在异常情况;为调节参数,用于调整异常检测的灵敏度,当需要提高异常检测的灵敏度时,通过调节参数/>降低阈值;通过趋势分析公式对采集终端数据流的变化趋势进行监测,以分析电网负荷的变化趋势;所述趋势分析公式的公式表达式为:
(2)
在公式(2)中,Y表示在时间 t 时刻的趋势分析结果,用于指示当前数据的变化趋势;表示历史数据,用于计算采集终端数据的变化趋势;b为上升趋势的阈值,用于判断采集终端数据是否处于上升趋势;c为下降趋势的阈值,用于判断采集终端数据是否处于下降趋势;通过预测模型公式对采集终端数据流进行预测分析;所述预测模型公式的公式表达式为:
(3)
在公式(3)中,P表示在时间 t+1 时刻的数据预测结果,用于指示采集终端数据流未来的变化情况;h表示在时间 t 时刻的采集终端数据;v表示预测模型的参数,用于调整预测精度,表示步长因子,用于控制模型更新速度。
6.根据权利要求1所述的一种用电信息采集终端在线运行状态安全监测方法,其特征在于:所述基于机器学习的异常检测算法通过线性回归函数利用输入特征和权重的组合预测输出结果;所述线性回归函数通过特征信息和基准值判断当前的运行状态;所述线性回归函数的公式表达式为:
(4)
在公式(4)中,M表示第r个样本的输出结果,用于表示该样本的预测值,为第r个样本的特征值,用于表示输入样本的各个特征,/>为特征值权重,用于表示特征对输出结果的影响程度,/>为偏置项,用于调整模型的截距;通过均方误差损失函数度量模型预测值与真实值之间的差异;所述均方误差损失函数通过最小化损失方法优化模型参数;所述均方误差损失函数的公式表达式为:
(5)
在公式(5)中,R表示损失函数,用于度量模型预测值与真实值之间的误差,为样本数量,用于表示训练集中样本的个数,i为第r个样本的真实值,用于表示训练集中的目标输出,m为第r个样本的预测值;通过高斯分布函数计算新数据的概率密度;所述高斯分布函数通过比较新数据的概率密度与预先学习到的训练数据的概率密度,以识别异常状态;所述高斯分布函数的公式表达式为:
(6)
在公式(6)中,Z为新数据的概率密度,用于表示新数据在训练数据的分布中的概率;为新数据的第/>个特征值,/>为训练数据中第/>个特征的均值,/>为训练数据中第/>个特征的方差。
7.根据权利要求1所述的一种用电信息采集终端在线运行状态安全监测方法,其特征在于:所述自主报警***包括异常判断模块、报警机制模块和远程管理模块;所述异常判断模块包括异常检测单元和阈值设定单元;所述异常检测单元通过基于机器学习的异常检测算法对采集到的数据进行分析和处理;所述阈值设定单元通过规则引擎设定用于判断异常的阈值;所述报警机制模块包括报警触发单元、报警传递单元和报警处理单元;根据异常检测结果,所述报警触发单元通过电子信号和网络消息的方式触发报警信号;所述报警传递单元通过短信、邮件和电话的方式将报警信号传递给相关人员或***;所述报警处理单元通过日志记录器记录报警时间、位置和具体问题;所述远程管理模块包括远程监控单元、远程配置单元和远程维护单元;所述远程监控单元通过网络通信协议和远程访问方法实时获取用电信息采集终端的采集数据、异常检测和报警情况;所述远程配置单元通过远程命令下发和参数设置方法对用电信息采集终端的参数进行配置和调整;所述远程维护单元通过固件升级和错误日志查看的方式对用电信息采集终端进行故障排查和设备维护。
8.根据权利要求1所述的一种用电信息采集终端在线运行状态安全监测方法,其特征在于:所述自适应采样模型包括运行状态分析模块、需求预测模块、采样频率控制模块和采样参数调整模块;所述运行状态分析模块通过统计分析方法对用电信息采集终端的历史运行状态进行分析;所述需求预测模块包括时间序列分析单元和机器学***均模型对历史数据和运行状态分析结果进行建模;所述数据可信性验证单元通过公钥加密方法验证数据真实性和完整性;所述机器学习分析单元通过线性回归算法对采样数据进行分析;所述采样频率控制模块包括自适应控制单元和预警监测单元;所述自适应控制单元通过比例积分微分控制器动态调整采集终端的采样频率;所述预警监测单元通过阈值设定和异常检测方法实时监测电力***的运行状态和采集终端的数据采集情况;所述采样参数调整模块包括自适应参数调整单元和优化调整单元;根据运行状态分析结果和需求预测结果,所述自适应参数调整单元通过模糊控制方法动态调整采集终端的采样参数,所述采样参数至少包括采样精度和采样间隔;所述优化调整单元通过粒子群算法提高***采集效率;所述数据可信性验证单元通过公钥加密方法验证数据真实性和完整性。
9.根据权利要求1所述的一种用电信息采集终端在线运行状态安全监测方法,其特征在于:所述区块链存储***包括区块生成模块、区块链网络模块和容灾备份模块;所述区块生成模块包括数据分块单元和数据摘要单元;所述数据分块单元通过数据分类器将监测数据进行分块;所述数据摘要单元通过哈希算法生成数据摘要;所述区块链网络模块包括共识算法单元、分布式存储单元和区块链通信单元;所述共识算法单元通过工作量证明和权益证明方法确保区块链网络中的每个节点存储数据量相同;所述分布式存储单元通过去中心化存储方法将数据分块存储在多个节点上;所述区块链通信单元通过无线网络通信协议实现区块链网络中节点间数据的传输、验证和存储操作;所述容灾备份模块包括数据冗余备份单元和容错机制单元;所述数据冗余备份单元通过数据复制方法将数据分块复制到多个节点上;所述容错机制单元通过拜占庭容错算法确保即使部分节点出现故障或恶意行为,***仍能正常运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311789728.2A CN117833464A (zh) | 2023-12-25 | 2023-12-25 | 一种用电信息采集终端在线运行状态安全监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311789728.2A CN117833464A (zh) | 2023-12-25 | 2023-12-25 | 一种用电信息采集终端在线运行状态安全监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117833464A true CN117833464A (zh) | 2024-04-05 |
Family
ID=90507177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311789728.2A Pending CN117833464A (zh) | 2023-12-25 | 2023-12-25 | 一种用电信息采集终端在线运行状态安全监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117833464A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118130891A (zh) * | 2024-05-10 | 2024-06-04 | 中电装备山东电子有限公司 | 一种基于专变采集终端的电能计量*** |
CN118262495A (zh) * | 2024-05-31 | 2024-06-28 | 国网湖北省电力有限公司信息通信公司 | 一种基于ai模型的用电场景火灾预警方法、装置和*** |
-
2023
- 2023-12-25 CN CN202311789728.2A patent/CN117833464A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118130891A (zh) * | 2024-05-10 | 2024-06-04 | 中电装备山东电子有限公司 | 一种基于专变采集终端的电能计量*** |
CN118262495A (zh) * | 2024-05-31 | 2024-06-28 | 国网湖北省电力有限公司信息通信公司 | 一种基于ai模型的用电场景火灾预警方法、装置和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10452845B2 (en) | Generic framework to detect cyber threats in electric power grid | |
CN107566163B (zh) | 一种用户行为分析关联的告警方法及装置 | |
CN117833464A (zh) | 一种用电信息采集终端在线运行状态安全监测方法 | |
Zhu et al. | SCADA-specific intrusion detection/prevention systems: a survey and taxonomy | |
JP2018185794A (ja) | 送電網におけるサイバー脅威を検出するための複数モデル複数領域の特徴発見 | |
CN115996146B (zh) | 数控***安全态势感知与分析***、方法、设备及终端 | |
Alcaraz et al. | WASAM: A dynamic wide-area situational awareness model for critical domains in Smart Grids | |
CN116578990A (zh) | 一种基于数据中心数字化运维的综合监控技术 | |
CN117061569A (zh) | 一种基于物联网的工会交互数字信息监测*** | |
CN117439916A (zh) | 一种网络安全测试评估***及方法 | |
Geldenhuys et al. | Dependable iot data stream processing for monitoring and control of urban infrastructures | |
CN117477774A (zh) | 用于多功能配电柜的智能预警***及预警方法 | |
Kummerow et al. | Cyber-physical data stream assessment incorporating Digital Twins in future power systems | |
US20210126932A1 (en) | System for technology infrastructure analysis | |
CN117787718A (zh) | 新型电力***态势的安全风险评估方法、装置及存储介质 | |
Banik et al. | Anomaly detection techniques in smart grid systems: A review | |
CN117557173A (zh) | 一种基于外卖派送的订单处理方法及*** | |
CN117220917A (zh) | 一种基于云计算的网络实时监控方法 | |
Abdellaoui et al. | Cyber threat assessment in monitoring turnout railway systems | |
KR20190035019A (ko) | 분산처리를 통한 IoT 센서 디바이스 및 플랫폼 | |
Hauer et al. | A methodology for resilient control and monitoring in smart grids | |
Peters et al. | Using machine learning to find anomalies in field bus network traffic | |
CN117640432B (zh) | 分布式数据中心运维监控方法 | |
Bhatnagar et al. | 11 Fault-Aware Using Machine Optimization Learning and Artificial Intelligence | |
CN117544985B (zh) | 一种设备离线通信管理方法及*** |
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 |