基于因果机器学习的电网大数据安全检测预警方法及系统技术方案

本发明专利技术公开了一种基于因果机器学习的电网大数据安全检测预警方法及系统，将电网场景大数据分为设备历史数据集和当前数据集；并进行预处理得到设备瞬时历史数据集和设备步进历史数据集；构建包括瞬时因果关系网络和步进因果关系网络的因果关系网络；基于瞬时因果关系网络和步进因果关系网络分析并筛选当前数据集；构建电网大数据瞬时预警规则库和电网大数据事前预警规则库；生成多维度电网大数据安全预警模型；根据多维度电网大数据安全预警模型，计算瞬时全局预警分数S1和事前全局预警分数S2；根据设备类型动态调整权重比例动态计算安全预警分数S，得到动态预警等级实施最终预警。用于增加电网终端设备的韧性与电力大数据运行环境的安全性。运行环境的安全性。运行环境的安全性。

【技术实现步骤摘要】
基于因果机器学习的电网大数据安全检测预警方法及系统


[0001]本专利技术属于安全预警
，具体涉及一种基于因果机器学习的电网大数据安全检测预警方法及系统。

技术介绍

[0002]在能耗问题上，如何高效准确及时的甄别各终端设备所传输数据的准确性，并从冗余量较大的数据中甄选出所需数据并进行安全预警，已成为电网安全运行中提高基础设施韧性与安全预警中亟待解决的问题之一。数据检测与预警模型的数据来源为实时采集的现场数据与电网数据库数据，聚焦电网智能终端所采集数据的可靠性、准确性与及时安全预警，围绕着电网大数据闭环中终端设备数据采集、人员操作、环境等关键要素展开探究。然而现有相关的数据检测的甄别机制与预警模型存在静态性、数据联动性不足、没有考虑因果关系以及技术可拓展性差等问题导致准确性低、预警不及时可信度不高、时效性与联动性欠缺。为此，从电网大数据及其具体采集分析场景出发，设计一个针对电网系统的数据检测与安全预警高效、可信的联动模型尤为重要。
[0003]与一般数据检测与安全预警模型不同的是，导致电网大数据环境下检测与预警机制效果与实时性较差的原因有如下几点：
[0004]首先，由于电网终端设备部署位置多变、设备质量参差不齐、数据传输渠道可信性不强，仅靠传统的数据清理无法保证数据的准确性，从基础数据上直接限制了预警的有效性，同时限制了基础设备的韧性；
[0005]其次，电网大数据与普通工业大数据不同的是，电网大数据之前存在着因果关系，在现有的预警模型中，无法从多维度、多要素的立体层面上提取出电网大数据之间的因果关系，进而难以保证预警机制的准确性；
[0006]最后，随着传感器终端设备与设备类型的不断增多，数据冗余量也增大，现有数据检测与预警模型无法分层式抽取电网摘要性数据，进而造成系统运行缓慢、迁移性较差以及难以拓展等问题。

技术实现思路

[0007]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于因果机器学习的电网大数据安全检测预警方法及系统，用于解决终端设备部署位置不定、设备质量良莠不齐、数据传输渠道可靠度弱造成的检测预警数据可靠性差以及缺少多维度、多要素的数据因果关系导致检测预警结果准确性差的技术问题。
[0008]本专利技术采用以下技术方案：
[0009]基于因果机器学习的电网大数据安全检测预警方法，包括以下步骤：
[0010]S1、将电网场景大数据D分为设备历史数据集iD
old
和设备当前数据集iD
new
，i为数据来源设备序列；
[0011]S2、对步骤S1得到的设备历史数据集iD
old
进行预处理分类，得到设备瞬时历史数
据集iD
oldtime
和设备步进历史数据集iD
oldstep
；
[0012]S3、基于步骤S2得到的设备瞬时历史数据集iD
oldtime
和设备步进历史数据集iD
oldstep
构建因果关系网络M，因果关系网络M分为瞬时因果关系网络M
time
和步进因果关系网络M
step
；
[0013]S4、基于步骤S3得到的瞬时因果关系网络M
time
和步进因果关系网络M
step
分析并筛选步骤S1得到的设备当前数据集iD
new
；
[0014]S5、基于步骤S2得到的设备瞬时历史数据集iD
oldtime
所对应每时刻安全生产的影响结果构建电网大数据瞬时预警规则库，基于步骤S2得到的设备步进历史数据集iD
oldstep
和步骤S4得到的设备当前数据集iD
new
预测尚未发生和尚未观测的数据并且构建电网大数据事前预警规则库；
[0015]S6、基于步骤S3得到的因果关系网络M，以及步骤S5得到的电网大数据瞬时预警规则库和电网大数据事前预警规则库生成多维度电网大数据安全预警模型；
[0016]S7、根据步骤S6得到的多维度电网大数据安全预警模型，利用步骤S4得到的设备当前数据集iD
new
计算瞬时全局预警分数S1，并对步骤S5中预测尚未发生和尚未观测的数据计算事前全局预警分数S2；根据瞬时全局预警分数S1和事前全局预警分数S2计算安全预警分数S，得到动态预警等级用于实施最终预警。
[0017]具体的，步骤S2具体为：
[0018]S201、首先对设备历史数据集iD
old
中的数据根据时间序列排序得到设备瞬时历史安全数据集iD
oldtime
，对每条数据进行标注，得到安全L
safe
、一般警告L
nd
和严重警告L
dd
；
[0019]S202、确定设备瞬时历史安全数据集iD
oldtime
，并将设备瞬时历史安全数据集iD
oldtime
当中安全、一般警告和严重警告的数据比例作为数据集的标注iSetLabel；
[0020]S203、对设备在特定时间内的所有数据根据采集时间排序，将时间序列上数据的临近前后差值的正负关系得到设备步进历史安全数据集iD
oldstep
。
[0021]具体的，步骤S3具体为：
[0022]S301、根据领域专家先验知识构建基础因果关系网络M
first
；
[0023]S302、在步骤S301得到的基础因果关系网络M
first
的基础上，利用无向链接补全无因果关系的两两节点，采取改进的因果机器学习算法以iD
oldtime
和iD
oldstep
为数据集修正新添加的无向链接得到理论因果关系，与基础因果关系网络相结合得到基于电网多维度大数据的瞬时因果关系网络M
time
和步进因果关系网络M
step
。
[0024]具体的，步骤S4中，根据瞬时因果关系网络M
time
，将实时采集的当前数据集D
new
结合自身阈值预警特征检验设备间数据的因果性，当实时采集的当前数据集D
new
因果节点之间呈现反因果性，清除果节点数据，根据步进因果关系网络M
step
，将实时采集的当前数据集D
new
根据时序差值正负性检验因果性。
[0025]具体的，步骤S5具体为：
[0026]S501、根据瞬时历史安全数据集iD
oldtime
所对应每时刻瞬时安全生产的影响结果将预警等级分为安全、一般警告和严重警告；
[0027]S502、在步骤S501得到的安全、一般警告和严重警告基础上，计算瞬时历史安全数据集iD
oldtime
中每个数据的瞬时安全预警分数iS
t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于因果机器学习的电网大数据安全检测预警方法，其特征在于，包括以下步骤：S1、将电网场景大数据D分为设备历史数据集iD
old
和设备当前数据集iD
new
，i为数据来源设备序列；S2、对步骤S1得到的设备历史数据集iD
old
进行预处理分类，得到设备瞬时历史数据集iD
oldtime
和设备步进历史数据集iD
oldstep
；S3、基于步骤S2得到的设备瞬时历史数据集iD
oldtime
和设备步进历史数据集iD
oldstep
构建因果关系网络M，因果关系网络M分为瞬时因果关系网络M
time
和步进因果关系网络M
step
；S4、基于步骤S3得到的瞬时因果关系网络M
time
和步进因果关系网络M
step
分析并筛选步骤S1得到的设备当前数据集iD
new
；S5、基于步骤S2得到的设备瞬时历史数据集iD
oldtime
所对应每时刻安全生产的影响结果构建电网大数据瞬时预警规则库，基于步骤S2得到的设备步进历史数据集iD
oldstep
和步骤S4得到的设备当前数据集iD
new
预测尚未发生和尚未观测的数据并且构建电网大数据事前预警规则库；S6、基于步骤S3得到的因果关系网络M，以及步骤S5得到的电网大数据瞬时预警规则库和电网大数据事前预警规则库生成多维度电网大数据安全预警模型；S7、根据步骤S6得到的多维度电网大数据安全预警模型，利用步骤S4得到的设备当前数据集iD
new
计算瞬时全局预警分数S1，并对步骤S5中预测尚未发生和尚未观测的数据计算事前全局预警分数S2；根据瞬时全局预警分数S1和事前全局预警分数S2计算安全预警分数S，得到动态预警等级用于实施最终预警。2.根据权利要求1所述的基于因果机器学习的电网大数据安全检测预警方法，其特征在于，步骤S2具体为：S201、首先对设备历史数据集iD
old
中的数据根据时间序列排序得到设备瞬时历史安全数据集iD
oldtime
，对每条数据进行标注，得到安全L
safe
、一般警告L
nd
和严重警告L
dd
；S202、确定设备瞬时历史安全数据集iD
oldtime
，并将设备瞬时历史安全数据集iD
oldtime
当中安全、一般警告和严重警告的数据比例作为数据集的标注iSetLabel；S203、对设备在特定时间内的所有数据根据采集时间排序，将时间序列上数据的临近前后差值的正负关系得到设备步进历史安全数据集iD
oldstep
。3.根据权利要求1所述的基于因果机器学习的电网大数据安全检测预警方法，其特征在于，步骤S3具体为：S301、根据领域专家先验知识构建基础因果关系网络M
first
；S302、在步骤S301得到的基础因果关系网络M
first
的基础上，利用无向链接补全无因果关系的两两节点，采取改进的因果机器学习算法以iD
oldtime
和iD
oldstep
为数据集修正新添加的无向链接得到理论因果关系，与基础因果关系网络相结合得到基于电网多维度大数据的瞬时因果关系网络M
time
和步进因果关系网络M
step
。4.根据权利要求1所述的基于因果机器学习的电网大数据安全检测预警方法，其特征在于，步骤S4中，根据瞬时因果关系网络M
time
，将实时采集的当前数据集D
new
结合自身阈值预警特征检验设备间数据的因果性，当实时采集的当前数据集D
new
因果节点之间呈现反因果性，清除果节点数据，根据步进因果关系网络M
step
，将实时采集的当前数据集D
new
根据时
序差值正负性检验因果性。5.根据权利要求1所述的基于因果机器学习的电网大数据安全检测预警方法，其特征在于，步骤S5具体为：S501、根据瞬时历史安全数据集iD
oldtime
所对应每时刻瞬时安全生产的影响结果将预警等级分为安全、一般警告和严重警告；S502、在步骤S501得到的安全、一般警告...

【专利技术属性】
技术研发人员：赵博，党倩，尚闻博，孙碧颖，邱昱，刘欣蕊，杜春慧，录鹏东，裴俊捷，金鑫，刘晓琴，李娜，
申请(专利权)人：国网甘肃省电力公司信息通信公司，
类型：发明
国别省市：