电鸭脖网调控异常操作在线自动检测预警方法及系统与流程

鸭脖电鸭脖网调控异常操作在线自动检测预警方法及系统与流程

1.本发明属于电力系统调度控制领域,具体涉及电网调控异常操作在线自动检测预警方法及系统。

背景技术:

鸭脖2.随着电网调度控制操作信息化水平不断体态,智能电网核心业务操作越来越依赖于调控系统的可靠运行电力监测预警,操作员不正确的操作会带来不可估量的风险和损失。但传统电网调控系统对异常控制行为无甄别及控制能力,当系统发生异常控制行为时无法识别并及时阻止控制行为的发生。当前电网网络安全形势严峻,亟需提升系统在远方设备操作控制方面的安全防范措施,避免被外部环境干扰和人员操作失误造成重大电网事故。

3.现有技术中,采用对电网调控运行数据进行统计分析,缺少对人员操作数据的研究。

4.现有技术1(cn109919448 a)“用于电网调控运行数据智能统计分析应用的方法”,设定统计分析时间段;获取统计分析时间段内的其中一项电网调控运行数据;统计分析该项电网调控运行数据的出现频率及数值范围;将出现频率及数值范围与该项电网调控运行数据极限警告值进行对比,得到对比结果;根据对比结果,得出该项电网调控运行数据的运行状态统计分析表。该发明能够监控电网调控运行数据,实现电网调控运行数据异常预警。现有技术文件1的不足之处在该方法仅对电网调控运行过程中的某项数据的出现频率和范围进行统计分析,并未考虑调控动作发生的时间、地点等重要因素,不利于发现由于调度员错误操作或非专业人员的非法操作带来的异常风险。

鸭脖5.现有技术2(cn113807690a)“区域电网调控系统运行状态在线评估预警方法及系统”,收集区域电网调控系统运行数据,并对数据进行规范化存储;进行数据预处理,并进行数据优先级标注和数据正确性标注;确定评估指标权重,确定系统运行状态评价等级;构建电网调控系统运行状态在线评估预警模型;根据优先级评价原则实现电网调控系统运行状态评估预警模型训练,采用训练后的评估预警模型进行电网调控系统运行状态在线评估预警。现有技术文件2的不足之处在该技术主要针对电网调控系统运行状态中的异常数据进行预警评估,并未涉及到调度员操作动作范畴。人工操作会由于调度员个人因素和作业任务成熟度而产生不同程度的操作风险。对此类风险的预警不属于现有技术文件2的范畴。

6.综上所述,目前对电网调控异常操作的问题还缺乏研究,亟需一种能准确预警电网调控系统异常操作的方法。

技术实现要素:

鸭脖7.为解决现有技术中存在的不足,本发明的目的在于,提供电网调控异常操作在线自动检测预警方法,通过分析电网调控系统软件运行产生的日志数据,实时界定调控操作行为的状态,甄别异常操作行为。同时根据调控操作历史数据,及时提供异常操作预警信息。

8.本发明采用如下的技术方案。电网调控异常操作在线自动检测预警方法,包括以下步骤:

9.步骤1,采集区域电网调控系统的操作日志数据,并对操作日志数据进行扩展处理;

10.步骤2,基于时间,地点和动作行为三个因素对操作日志数据进行界定,得到异常操作日志数据;

11.步骤3,根据异常操作日志数据,从调度员属性特征,操作行为特征和业务特征三个方面进行异常操作日志特征提取;

12.步骤4,采用cnn(convolutional neural networks,卷积神经网络)和lstm(long short term memory network,长短期神经网络)的结构建立电网调控异常操作预警模型,利用历史操作日志数据对电网调控异常操作预警模型参数进行训练;

13.步骤5,采用训练好的电网调控异常操作预警模型,利用实时采集的电网调控操作日志数据进行电网调控系统异常操作在线自动检测和预警。

14.优选地,步骤1中,操作日志数据包括:动作数据,设备数据,场地数据和人员数据。

15.步骤1中,对操作日志数据进行扩展,是将操作日志数据中的人员数据特征进行扩展,扩展后的人员数据特征包括:姓名,工号,年龄,工龄,职级和操作年限。

16.优选地,步骤2中,基于时间因素对操作日志数据进行界定,得到的异常操作日志数据包括:登录时间异常、操作时间异常和操作用时异常。

17.步骤2中,基于地点因素对操作日志数据进行界定,得到的异常操作日志数据还包括:常规登录地点异常、特定操作登录地点异常。

18.步骤2中,基于动作行为因素对操作日志数据进行界定,得到的异常操作日志数据还包括:正常操作动作和异常操作动作。

19.优选地,步骤3中,调度员属性特征包括:年龄,工龄,职级和操作年限;

20.调度员操作行为特征包括:登录时间,登录地点,操作时间,操作用时和操作动作;

21.操作员业务特征包括:业务等级,业务类型和业务成熟度。

22.优选地,步骤4中,模型包含一个输入层,一个卷积层,一个池化层,一个lstm层,一个全连接层和一个输出层;

23.cnn中的卷积层和池化层用于提取空间和动作特征,lstm层用于提取隐藏在空间和动作特征序列中的时间特征;

24.模型采用平均绝对误差作为损失函数和adam优化器。

25.优选地,步骤5中,利用实时采集的电网调控操作日志数据,由电网调控异常操作预警模型求出预测值与正常值的残差,通过分析残差序列与正常数据样本的差异,完成电网调控异常操作预警。

26.步骤5中,如下关系式计算预测值和真实值之间的残差rmse值:

[0027][0028]

式中,

[0029]

m表示样本数据总数,

[0030]

tj表示第j个电网调控历史操作日志数据样本的真实值,

[0031]ej

表示第j个电网调控历史操作日志数据样本的预测值,

[0032]

不断修正电网调控异常操作预警模型参数,以残差rmse达到标准时停止修正。

[0033]

步骤5中,当差异残差序列与正常样本的平均偏差小于10%,则认为操作无异常风险;

[0034]

当差异残差序列与正常样本的平均偏差大于10%,则判定为有异常操作风险,发出异常预警信号。

[0035]

电网调控异常操作在线自动检测预警系统,包括:数据采集模块,数据分类模块,特征提取模块,构建模型模块和在线预警模块,其特征在于:

[0036]

数据采集模块用于采集区域电网调控系统操作日志数据,并对操作日志数据进行扩展处理;

[0037]

数据分类模块用于基于时间、地点和动作行为三个因素对操作日志数据进行分类和界定,得到异常操作日志数据;

[0038]

特征提取模块用于根据异常操作日志数据,从调度员属性特征,操作行为特征和业务特征三个方面进行异常操作日志特征提取;

[0039]

构建模型模块用于构建电网调控异常操作预警模型,根据历史操作日志数据对模型参数进行训练和优化;

[0040]

在线预警模块用于采用电网调控异常操作预警模型进行电网调控系统异常操作行为在线自动超前甄别预警。

[0041]

本发明的有益效果在于,与现有技术相比,

[0042]

本发明以人员操作数据为研究对象,根据电网调控系统操作过程中产生的日志数据,对调度操作进行正确性分析和风险预警。

[0043]

本发明基于时间、地点和动作行为三个方面对电网异常操作行为进行分类和界定,避免了仅以某类数据为依据进行异常识别造成的片面性和不完整性。从可能产生异常操作的多个方面进行操作分类和异常界定,可以更加全面、准确地识别调度中的异常操作。

[0044]

同时,本发明根据电网调控系统中人工操作动作的特点,从调度员、操作行为和业务类型三个方面提取属性特征,构建异常操作预测模型。既考虑到了调度员经验积累的因素,又考虑到了人工调控操作在不同成熟度等级任务中的差异,综合分析调度员与调度任务之间内在联系,做出针对高风险操作的准确预警,保证电网调控系统安全,避免异常操作造成重大电网事故。

附图说明

[0045]

图1是本发明电网调控异常操作在线自动检测预警方法流程图;

[0046]

图2是电网调控异常操作预警模型架构图。

具体实施方式

[0047]

下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本技术的保护范围。

[0048]

实施例1。

[0049]

如图1所示,电网调控异常操作在线自动检测预警方法,包括以下步骤:

[0050]

步骤1,采集区域电网调控系统的操作日志数据,包括动作数据,设备数据,场地数据和人员数据电力监测预警,并对数据进行扩展处理。将人员数据扩展为工号,年龄,工龄,职级和操作年限,并进行标准化处理。

[0051]

步骤2,基于时间,地点和动作行为三个因素对操作日志数据进行界定,得到异常操作日志数据。

[0052]

步骤2.1,基于时间因素对电网调控异常操作进行界定,得到的异常操作日志数据包括但不限于登录时间异常、操作时间异常和操作用时异常。

[0053]

电网调控系统的正常登录时间为(tl

in

‑△

tl)~(tl

out

+

tl),其中,tl

in

表示登录电网调控系统的时间,tl

out

表示退出电网调控系统的时间,

tl表示允许登录电网调控系统的时间段。

[0054]

若日志数据中出现登录电网调控系统的时间若日志数据中出现登录电网调控系统的时间被界定为登录时间异常。

[0055]

电网调控系统的业务正常操作时间为(to

start

‑△

to)~(to

finish

+

to),其中,to

start

表示电网调控系统的操作开始时间,to

finish

表示电网调控系统的操作结束时间,

to表示电网调控系统的业务正常操作时间段。

[0056]

若日志数据中出现登录时间被界定为操作时间异常。

[0057]

电网调控系统的业务操作用时为(to

finish-to

start

)。

[0058]

若日志数据中出现(to

finish-to

start

)《0.5δto或(to

finish-to

start

)》2δto,被界定为操作用时异常。

[0059]

步骤2.2,基于地点因素对电网调控异常操作进行界定,得到的异常操作日志数据包括但不限于常规登录地点异常、特定操作登录地点异常。

[0060]

采用ip描述去表征电网调控异常操作的地点因素。电网调控正常操作的登录ip地址集合为ip

all

,若日志数据中登录ip地址被界定为常规登录地点异常。对于安全等级要求较高的电网调控操作,设置电网调控特定操作的登录ip地址集合为ips,若日志数据中登录ip地址被界定为特定操作登录地点异常。

[0061]

步骤2.3,基于动作行为因素对电网调控异常操作进行界定,得到的异常操作日志数据包括但不限于正常操作动作和异常操作动作。

[0062]

采用k-means聚类方法,根据同一操作动作日志数据样本之间距离去度量两个日志数据样本之间的差异程度。以如下关系式计算同一操作动作的两个日志数据样本xi和xj之间的欧拉距离:

[0063][0064]

式中电力监测预警,

[0065]

k表示每个日志数据中包含的属性总数,

[0066]

m表示第m个属性,

[0067]

xi表示操作动作x的一个日志数据样本,

[0068]

xj表示操作动作x的另一个日志数据样本,

[0069]

x

im

表示日志数据样本xi的第m个属性,

[0070]

x

jm

表示日志数据样本xj的第m个属性。

[0071]

将距离最近的两个日志数据样本确定为中心样本,将其余各日志数据样本与中心样本的距离按照从小到大的顺序进行排列,接近中心样本的日志数据样本被界定为正常操作动作,远离中心样本的日志数据样本被界定为异常操作动作。

[0072]

步骤3,根据造成电网调控异常操作的操作日志数据,从调度员属性特征、操作行为特征和业务特征三个方面进行操作特征提取。

[0073]

将人员数据扩展获得的工号、年龄、工龄、职级和操作年限四个特征,作为调度员属性特征。将调度员登录时间、登录地点、操作时间、操作用时和操作动作五个特征,作为操作行为特征。将业务等级、业务类型和业务成熟度三个特征,作为业务特征。

[0074]

步骤4,采用cnn和lstm的结构构建建立电网调控异常操作预警模型,利用历史操作日志数据对电网调控异常操作预警模型参数进行训练。

[0075]

采用卷积神经网络(cnn,convolutional neural networks)+长短期神经网络(lstm,long short term memory network)的结构设计电网调控异常操作预警模型,模型中包含一个输入层,一个卷积层,一个池化层,一个lstm层,一个全连接层和一个输出层,如图2所示。cnn网络中的卷积层和池化层可以提取空间和动作特征,lstm层可以用于提取隐藏在空间和动作特征序列中的时间特征。采用平均绝对误差(mae)作为损失函数和adam优化器。

[0076]

利用电网调控历史操作日志数据对电网调控异常操作预警模型参数进行训练和优化。

[0077]

步骤5,采用训练好的电网调控异常操作预警模型,利用实时采集的电网调控操作日志数据进行电网调控系统异常操作在线自动检测和预警。

[0078]

实时采集的电网调控操作日志数据经筛选和标准化处理后,由电网调控异常操作预警模型求出预测值与正常值的残差,通过分析差异残差序列与正常数据样本的差异,完成电网调控异常操作预警。

[0079]

同时,为了进一步提高预测准确性,在系统运行初期电力监测预警,还以如下关系式计算预测值和真实值之间的残差rmse值:

[0080][0081]

式中,

[0082]

m表示样本数据总数,

[0083]

tj表示第j个电网调控历史操作日志数据样本的真实值,

[0084]ej

表示第j个电网调控历史操作日志数据样本的预测值。

[0085]

不断修正电网调控异常操作预警模型参数,以残差rmse达到标准时停止修正。

[0086]

根据实时采集的电网调控操作日志数据进行电网调控异常操作的预测,若预测值偏离正常范围,则被视为有发生电网调控异常操作的可能性,发出电网调控异常操作预警信号。

[0087]

本实施例优选地,当差异残差序列与正常样本的平均偏差小于10%,则认为操作无异常风险;当差异残差序列与正常样本的平均偏差大于10%,则判定为有异常操作风险,发出异常预警信号。

[0088]

实施例2。

[0089]

电网调控异常操作在线自动检测预警系统。包括:数据采集模块,数据分类模块,特征提取模块,构建模型模块和在线预警模块,其中:

[0090]

数据采集模块用于采集区域电网调控系统操作日志数据,并对操作日志数据进行扩展处理;

[0091]

数据分类模块用于基于时间、地点和动作行为三个因素对操作日志数据进行分类和界定,得到异常操作日志数据;

[0092]

特征提取模块用于根据异常操作日志数据,从调度员属性特征、操作行为特征和业务特征三个方面进行异常操作日志特征提取;

[0093]

构建模型模块用于构建电网调控异常操作预警模型,根据历史操作日志数据对模型参数进行训练和优化;

[0094]

在线预警模块用于采用电网调控异常操作预警模型进行电网调控系统异常操作行为在线自动超前甄别预警。

[0095]

本发明的有益效果在于,与现有技术相比,本发明以人员操作数据为研究对象,根据电网调控系统操作过程中产生的日志数据,对调度操作进行正确性分析和风险预警。

[0096]

本发明基于时间、地点和动作行为三个方面对电网异常操作行为进行分类和界定,避免了仅以某类数据为依据进行异常识别造成的片面性和不完整性。从可能产生异常操作的多个方面进行操作分类和异常界定,可以更加全面、准确地识别调度中的异常操作。

[0097]

同时,本发明根据电网调控系统中人工操作动作的特点,从调度员、操作行为和业务类型三个方面提取属性特征,构建异常操作预测模型。既考虑到了调度员经验积累的因素,又考虑到了人工调控操作在不同成熟度等级任务中的差异,综合分析调度员与调度任务之间内在联系,做出针对高风险操作的准确预警,保证电网调控系统安全,避免异常操作造成重大电网事故。

[0098]

鸭脖本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制电力监测预警,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。