(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211230320.7 (22)申请日 2022.09.30 (71)申请人 国网甘肃省电力公司 地址 730046 甘肃省兰州市城关区北滨河 东路8号 申请人 国网甘肃省电力公司信息通信公司 (72)发明人 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　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 高博 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01)G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 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 (57)摘要 本发明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。 权利要求书3页 说明书10页 附图1页 CN 115526407 A 2022.12.27 CN 115526407 A 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iDold和设备当前数据集iDnew， 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iDold进行预处理分类， 得到设备瞬时历史数据集 iDoldtime和设备步进历史数据集 iDoldstep； S3、 基于步骤S2得到的设备瞬时历 史数据集iDoldtime和设备步进历史数据集iDoldstep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 Mtime和步进因果关系网络 Mstep； S4、 基于步骤S3得到的瞬时因果关系网络Mtime和步进因果关系网络Mstep分析并筛选步 骤S1得到的设备当前 数据集iDnew； S5、 基于步骤S2得到的设备瞬 时历史数据集iDoldtime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iDoldstep和步骤 S4得到的设备当前数据集iDnew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iDnew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iDold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iDoldtime， 对每条数据进行 标注， 得到安全Lsafe、 一般警告Lnd和严重警告Ldd； S202、 确定设备瞬时历史安全数据集iDoldtime， 并将设备瞬时历史安全数据集iDoldtime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 iDoldstep。 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 Mfirst； S302、 在步骤S301得到的基础因果关系网络Mfirst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iDoldtime和iDoldstep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 Mtime和步进因果关系网络 Mstep。 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Mtime， 将实时采集的当前数据集Dnew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Dnew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Mstep， 将实时采集的当前数据集Dnew根据时权　利　要　求　书 1/3 页 2 CN 115526407 A 2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iDoldtime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、 一般警告和严重警告基础上， 计算瞬时历史安全数据 集 iDoldtime中每个数据的瞬时安全预警分数iStime并构建电网大数据瞬时预警规则库、 预测数 据D的事前安全预警分数iSpre并构建电网大数据事前预警规则库， 安全对应预警分数为1， 严重警告对应预警分数为0， 一般警告对应的预警分数通过归一化计算均匀分布在(0， 1)范 围之内。 6.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S6具体为： S601、 通过利用领域专家先验知识， 将历史安全数据集中的所对应的电网大数据现场 安全情况分为 安全、 一般警告和严重警告； S602、 以瞬时因果关系网络Mtime和步进因果关系网络Mstep为基础， 以所有设备节点为网 络输入层， 以因果关系网络为网络节 点拓扑结构， 以所有设备节点全连接作为网络输出层， 通过历史数据集iDold及步骤S5标注的电网大数据现场安全 预警标注为训练数据， 训练并补 充以因果关系网络为基础的神经网络各连接层之间的权重比例， 其中与瞬时因果关系网络 具有相同结构的神经网络为电网大数据安全预警模型的瞬时模型， 与步进因果关系网络相 同结构的神经网络为电网大 数据安全预警模型的步进模型。 7.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S7 具体为： S701、 根据多维度电网大数据 安全预警模型的瞬时模型， 对当前数据 集Dnew计算瞬时全 局预警分数S1； S702、 根据多维度电网大数据 安全预警模型的步进模型， 对当前数据 集Dnew结合步骤S5 中的预测 数据， 计算事前全局 预警分数S2， 计算方法类似于步骤S701， 在此基础上， 计算最 终安全预警分数S。 8.根据权利要求7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， 瞬时全局预警分数S1为： S1＝(a1*ΠiScore*a2*∑jScore)*iStime 其中， iScore为父因节点经电网大数据瞬时预警规则库得到 的安全预警分数， jScore 为子果节点经电网大数据瞬时预警规则库得到的安全预警分数， iStime为当前数据通过瞬 时模型并结合电网大 数据瞬时预警规则库得到的瞬时安全预警分数， α1和 α2为激活因子。 9.根据权利要求7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， 最终安全预警分数S为： S＝α1*S1+α2*S2 其中， α1和 α2为激活因子。 10.一种基于因果机器学习的电网大 数据安全检测预警系统， 其特 征在于， 包括： 预处理模块， 用于将电网场景大数据D分为设备历史数据集iDold和设备当前数据集权　利　要　求　书 2/3 页 3 CN 115526407 A 3