[go: up one dir, main page]

CN111295592A - 用于电力网络中的异常检测的系统和方法 - Google Patents

用于电力网络中的异常检测的系统和方法 Download PDF

Info

Publication number
CN111295592A
CN111295592A CN201880071422.4A CN201880071422A CN111295592A CN 111295592 A CN111295592 A CN 111295592A CN 201880071422 A CN201880071422 A CN 201880071422A CN 111295592 A CN111295592 A CN 111295592A
Authority
CN
China
Prior art keywords
node
network
power
nodes
power network
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.)
Granted
Application number
CN201880071422.4A
Other languages
English (en)
Other versions
CN111295592B (zh
Inventor
哥尔珊·哥尔纳利
萨贝尔·塔吉维彦
詹尼弗·F·舒马赫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
3M Innovative Properties Co
Original Assignee
3M Innovative Properties Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 3M Innovative Properties Co filed Critical 3M Innovative Properties Co
Publication of CN111295592A publication Critical patent/CN111295592A/zh
Application granted granted Critical
Publication of CN111295592B publication Critical patent/CN111295592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Alarm Systems (AREA)
  • Burglar Alarm Systems (AREA)

Abstract

本发明主题使得能够对电力网络中的异常进行早期或实时检测。在各种应用中，系统检测诸如窃电、电涌等异常。其解决了在电力网络中难以检测的问题，其中可能找不到如窃电或电涌之类的异常，直到这些异常引发许多关注或抱怨，或者对基础结构的功能、服务质量或成本产生重大影响为止。此外，本发明主题降低了对大量传感器的需求，并且提供了更高性价比且可扩展的解决方案。本发明主题提供了用于确定已检测异常在电力网络内发生的位置的方法。本发明主题的变型形式包括用于解决大型网络中的异常的异常识别系统。本发明主题的各种应用提供对传感器在电力网络中的指导或有效放置。

Description

用于电力网络中的异常检测的系统和方法
技术领域
本公开涉及建模、分析、监测并检测电力网络的方法和系统。
背景技术
监测电力网络对于此类网络的安全和有效运作十分重要。在未监测或监测不佳的网络中可能会出现问题。例如，印度每年发生的窃电损失为约160亿美元，被窃电量是总发电的1/3，而在电力作为第三大被盗项目的美国，该损失为约60亿美元。
小型网络可使用少量传感器来监测和控制，并且传感器在小型系统中的放置通常是简单的。但是，大型网络的监测可能会面临挑战，因为根据系统节点的数量，监测每个节点可能不切实际。即使可以监测每个节点，在每个节点处进行测量、存储测量并分析测量所需的时间量也会产生大量数据，并且在非常大的网络中是禁止处理的。在传感器有限的大型网络中，难以确定此类传感器的放置。由于网络可涉及双向信息，节点随着时间的推移增加和减少，节点可经历故障和其他异常，并且当为节点提供服务的设备发生故障时，在网络及其传感器上的通信受到危害，因此使得这些困难更加复杂。网络操作员需要知道在大型网络中发生的影响网络性能的异常和其他事件。
因此，本领域存在监测大型网络的需求。此类监测应当提供对异常的指示，并且优选地提供隔离经历异常的网络部分的方式。本领域还存在对用于大型网络的各种异常处理系统的需求。还存在对关于传感器在网络中的有效放置的指导。
发明内容
本发明主题使得能够对电力网络中的异常进行早期或实时检测。在各种实施方案中，系统检测异常，诸如窃电、电涌。其解决了在电力网络中难以检测的问题，其中可能找不到诸如窃电或电涌之类的异常，直到这些异常引发许多关注或抱怨，或者对基础结构的功能、服务质量或成本产生重大影响为止。此外，本发明主题降低了对大量传感器的需求，并且提供了更高性价比且可扩展的解决方案，同时消除了使用庞大且不必要的数据的麻烦。
在各种实施方案中，本发明主题提供了用于确定已检测异常在电力网络内发生的位置的方法。在各种实施方案中，本发明主题包括用于解决大型网络中的异常的异常处理系统。在各种实施方案中，本发明主题提供对传感器在电力网络中的指导或有效放置。
在各种实施方案中，本发明主题提供传感器数据和网络结构信息，并且利用人工智能进行建模，以检测和定位异常源并预测对网络的其余部分的影响。
已总结本公开的示例性实施方案的各种方面和优点。上面的发明内容并非旨在描述本公开的当前某些示例性实施方案的每个例示的实施方案或每种实施方式。下面的附图和具体实施方式更具体地举例说明了使用本文所公开的原理的某些优选实施方案。
附图说明
当结合附图阅读以下具体实施方式时，本公开的这些和其他特征、方面和优点将得到更好的理解，其中：
图1是根据实施方案的检测电力网络中感兴趣的异常的方法的流程图。
图2示出根据实施方案的用于检测电力网络中感兴趣的异常的系统的框图。
图3A示出根据实施方案的设置有传感器的电力网络的示意图。
图3B示出根据实施方案的设置有传感器的电力网络的示意图。
图4A示出根据实施方案的表示电力网络的有向图。
图4B是根据实施方案的确定电力网络中的传感器放置的方法的流程图。
图4C示出根据实施方案的在选定位置处设置有传感器的图4A的有向图。
图4D示出根据实施方案的在选定位置处设置有传感器的图4C的有向图的重新格式化版本。
图5A示出根据实施方案的表示在选定位置处具有传感器放置的电力网络的有向图。
图5B示出图5A的有向图的重新格式化版本。
图5C示出根据实施方案在图5B模型中将相邻节点分组为节点集。
图5D示出根据一个实施方案的通过添加电流路径对图5B的电力网络进行的修改。
图6A示出根据一个实施方案的确定电力网络中的传感器覆盖的方法的流程图。
图6B示出根据一个实施方案的分成定位区域、检测区域和安全区域的电力网络的图表。
图6C示出根据另一个实施方案的分成定位区域、检测区域和安全区域的电力网络的图表。
图6D示出根据又一个实施方案的分成定位区域、检测区域和安全区域的电力网络的图表。
图7示出根据一个实施方案的表示通过添加假想节点修改的电力网络的有向图。
图8A示出根据一个实施方案的确定潜在窃电节点的电力网络模型。
图8B示出根据另一个实施方案的确定潜在窃电节点的电力网络模型。
图8C示出根据另一个实施方案的确定潜在窃电节点的电力网络模型。
图9A示出演示本公开的主题的多节点电力网络的物理模型。
图9B示出图9A的多节点电力网络的数字双模型。
图10为根据实施方案的图9B的数字双模型的输入和输出的框图。
图11A为根据实施方案的用于使用统计建模进行电力网络的异常检测的系统的流程图。
图11B为根据实施方案的用于使用马尔可夫链(Markov chain)统计建模进行电力网络的异常检测的系统的流程图。
图11C为根据实施方案的用于使用马尔可夫链统计建模进行电力网络的异常检测和异常定位的系统的流程图。
图11D为根据实施方案的用于使用马尔可夫链统计建模进行电力网络的异常检测、异常定位和异常级联预测的系统的流程图。
图12是演示根据实施方案的对电力网络中的传感器数据和网络信息的数据分析的一个示例的流程图。
图13是示出根据实施方案的数据分析系统的框图，该数据分析系统具有传感器数据和网络信息输入以及使用人工智能和网络理论的各种输出。
图14是示出根据实施方案的电力网络的网络结构的示例中的各种节点的节点图。
图15为示出根据实施方案的图14的结构的链路的测量的电阻值的表。
图16为示出根据实施方案的用于图14的网络结构的计算的各种节点测量的节点图。
在附图中，相似的附图标号指示相似的元件。虽然可不按比例绘制的上面标识的附图阐述了本公开的各种实施方案，但还可想到如在具体实施方式中所提到的其他实施方案。在所有情况下，本公开以示例性实施方案的表示的方式而非通过表述限制来描述当前所公开的公开内容。应当理解，本领域的技术人员可想出许多其他修改和实施方案，这些修改和实施方案落在本公开的范围和实质内。
具体实施方式
以下本发明主题的详细描述是指附图中的主题，附图以举例的方式示出了可实践本发明主题的具体方面和实施方案。这些实施方案描述得足够详细，以使本领域的技术人员能够实践本发明主题。本公开中对“一”、“一个”或“各种”实施方案的引用不一定是同一个实施方案，并且此类参考设想了多于一个的实施方案。下述具体实施方式是演示性的，并且不应视为具有限制意义。本发明主题的范围由所附的权利要求连同赋予此类权利要求的法律等同物的全部范围来限定。
本公开提供能够及早或实时检测电力网络中的问题(例如，窃电、电涌、设备故障等)并且能够优先行动(包括预测何时和何处可能发生电力网络中的问题)的方法和系统。本文所述的电力网络可包括配电网络，诸如用于州或市、工厂、办公综合楼或其他大型电网等的配电网络。本文所述的方法和系统可解决在电力网络中难以检测到问题的问题，其中可能找不到如窃电或电涌之类的异常，直到这些异常引发许多关注或抱怨，或者对基础结构的功能、服务质量或成本产生重大影响为止。
在各种实施方案中，本发明主题在发生异常之前和之后检测和/或定位在具有有限传感器测量的电力网络中的异常(例如，窃电)。例如，在各种实施方案中，本发明主题可估计被窃取的电力的量及其位置(只要窃电在传感器覆盖区域内发生)。另外，本发明的各种实施方案可估计网络的其他非观测节点的电压/电流水平，以识别受影响的位置或处于高风险的位置。在各种实施方案中，本发明主题可识别用于异常定位以及传感器放置的传感器的覆盖，这意味着传感器的最少数量以及它们实现预期的网络目标的最佳位置或几乎最佳位置。
在各种实施方案中，本发明主题提供传感器数据和网络结构信息，并且利用人工智能进行建模，以检测和定位异常源并预测对网络的其余部分的影响。
图1示出监测电力网络中感兴趣的异常的方法100的流程图。在110处，为电力网络提供一个或多个传感器。传感器可以是能够收集与电力网络的一个或多个参数相关的数据的任何类型的传感器，诸如例如电流传感器、电压传感器、频率传感器、线路检测传感器、设备失效或故障传感器等。这些传感器可位于电力网络的各种节点处和各种位置中。例如，可在以下位置处提供传感器：在配电网络中的每个家庭的位置处、在配电网络中的每个建筑物处、在配电网络中的每个变压器处、在配电网络中的每个配电中心处等。本公开提供了关于如何确定电力网络中的传感器放置的方法和关于如何基于对电力网络建模来确定电力网络中的传感器覆盖的方法，该方法将在下文进一步描述。然后，方法100前进至120。
在120处，处理器指示传感器收集数据。该处理器可以定位在电力网络外的远程计算机(例如，服务器或云)中。在一些实施方案中，可为分布在电力网络中的节点处的电流或电压使用提供传感器，并且由传感器收集的数据可指示相应节点的电流或电压的状态或趋势。在一些实施方案中，在初始时间可指示每个传感器收集数据，该数据可作为初始值存储在数据库中。然后，方法100前进至130。
在130处，将所收集的数据从传感器传输并由处理器接收。可通过合适的技术诸如例如Wi-Fi、蓝牙、蓝牙低功耗(BLE)、蜂窝、以太网等直接或间接地传输数据。可以将所收集的数据实时地从传感器传输，或者在稍后传输以提供电力网络的回顾性指示。也可以基于环境情况以规则的时间间隔或适应的时间计划表来收集数据。例如，可以在可能损坏电力网络的风暴之后或者在预测节点处的设备将接近使用周期时以相对较高的频率收集或传输数据。然后，方法100前进至140。
在140处，由处理器分析所接收的数据以生成结果。在一些实施方案中，可基于电力网络的模型(诸如由网络信息170提供的模型)来分析接收的数据。在一些实施方案中，电力网络的模型可包括表示设置在电力网络中的电力基础结构的定向连接节点。节点可被排序为部分有序集，其中节点的顺序可根据节点之间的电力流动方向而改变。例如，电力流动方向可改变，其中在“使用”中在一些节点处存在波动。该模型可为电力网络的表示，包括例如有向无环图(DAG，directed acrylic graph)。电力网络的表示(例如，有向无环图)可作为矩阵数据结构，诸如例如相邻矩阵、可及矩阵等通过处理器存储或处理。
在一些实施方案中，可将与电力网络相关的历史数据或其他数据与从传感器接收的实时数据组合并由处理器分析。此类其他类型的数据可包括例如电力网络中先前的问题/难题(例如，超过电压或电流阈值、检测到失效或故障等)、天气(雷暴、龙卷风、洪水等，可能是某些区域中对电力网络的损坏的原因)、电流流动或导电率变化以及报告的损坏(例如，倒下的树、电线、灯火管制以及其与电力网络损坏的相关性)。在一些实施方案中，可进行基线测量以确定在安装电力网络基础结构期间是否存在任何初始电力(电压或电流或间歇连接等)问题。在一些实施方案中，可以根据时间、地理等分析来自传感器的与电力网络相关的历史数据，以得出异常模式。数据可存储在例如与处理器相关联的数据库中或云中。生成的结果包括例如电流或电压或功率消耗趋势、分析报告、警告、警报等。方法100然后前进至150。
在150处，基于对数据的分析，通过处理器或操作员/用户确定在电力网络中是否存在感兴趣的异常。可能的感兴趣的异常可包括例如电压或电流下降或峰值、异常大的功率消耗、短路或导致断路器跳闸和变压器失效或受损的其他事件或它们的组合等。在一些实施方案中，处理器还可确定在电力网络内部的异常的可能位置。当电力网络中存在异常时，方法100前进至160以生成例如警示、警报、报告等形式的输出。当电力网络中不存在异常时，方法100前进至120。在一些实施方案中，输出可包括通过基于趋势、尺寸、使用等将电力网络分类进行的未来电力网络问题的预测，诸如例如基于类似环境的电力输送故障。在一些实施方案中，输出可包括通过网络特性(例如，正在检测的模型中的新“节点”)的显著差异确定是否有人从电力网络中偷取资源。在一些实施方案中，输出可用于基于其正在服务的基础结构来提供电力供应、关闭和/或转移的优先级。例如，如果检测到用于空调等的大功率消耗，则可将医院优先于其他基础结构进行电力输送。在一些实施方案中，可通过将其历史用量与其邻居相比较来向房主提供输出(例如，以确定异常的电流或电压或功率消耗是否位于房屋内)。
图2示出根据一个实施方案的用于通过实现例如方法100来确定电力网络10中感兴趣的异常的检测系统200。电力网络10可包括配电网络，诸如例如州或城市电力公司，用于商业、医院或学校的发电厂，诸如办公综合楼或办公塔的专门电力系统，建筑或制造场所等。为电力网络10中的各种位置提供一个或多个传感器12。
检测系统200包括传感器12、计算部件226以及一个或多个输入/输出设备216。传感器12可为能够收集与电力网络的一个或多个参数相关的数据的任何类型的传感器，诸如例如电流传感器、电压传感器、功率传感器、线路失效或故障传感器、频率传感器、消耗传感器等。示例性传感器可包括无源、无线传感器。传感器12可包括射频识别(RFID)，其可识别个别电力基础结构(例如，在节点处的空调系统)及其相关信息(例如，尺寸、模型、使用、安装时间、状态等)。
在一些实施方案中，电力网络10可为具有其自身的功率调节设备、断路器、安全设备等的电力网络。传感器12可被提供用于网络的设备。
在图2的实施方案中，计算部件226包括处理器212和存储器214。计算部件226在功能上连接到传感器12，从传感器12接收与电力网络10相关的信号或数据，并且分析所接收的信号/数据以生成结果，包括例如分析报告、警示、警报等。在一些实施方案中，从传感器12接收的数据可存储在存储器214中。在一些实施方案中，可以创建模型以表示电力网络10。该模型可包括表示电力网络的基础结构的定向连接节点。该模型可以包括例如有向图或部分有序集，其作为以相邻矩阵形式的数据存储在存储器214中。处理器212可通过解释和执行与处理器212相关联的软件程序的指令来分析模型。
存储器214存储信息。在一些实施方案中，存储器214可以存储用于执行本文所述的方法或过程的指令。在一些实施方案中，与电力网络相关的数据或该电力网络的模型可以预先存储在存储器214中。
存储器214可以包括任何易失性或非易失性存储元件。示例可包括随机存取存储器(RAM)(诸如同步动态随机存取存储器(SDRAM))、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦可编程只读存储器(EEPROM)和闪存。示例还可包括硬盘、磁带、磁或光数据存储介质、光盘(CD)、数字通用盘(DVD)、蓝光盘和全息数据存储介质。数据也可存储在云计算环境中。应当理解，也可采用上述存储器214的组合。
处理器212可包括例如一个或多个通用微处理器、专门设计的处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、离散逻辑的集合和/或能够执行本文所述技术的任何类型的处理设备。在一些实施方案中，处理器212(或本文所述的任何其他处理器)可以被描述为计算设备。在一些实施方案中，存储器214可以被配置为存储由处理器212执行以进行本文所述的过程或方法的程序指令(例如，软件指令)。在其他实施方案中，本文所述的过程或方法可以由处理器212的专门编程的电路来执行。在一些实施方案中，处理器212因此可以被配置为执行用于分析与本文所述的电力网络相关的数据的技术。处理器212(或本文所述的任何其他处理器)可以包括一个或多个处理器。
输入/输出设备216可以包括被配置为从用户或其他设备输入或向用户或其他设备输出信息的一个或多个设备。在一些实施方案中，输入/输出设备216可呈现用户界面218，在该用户界面中，用户可控制对电力网络的评估。例如，用户界面218可包括用于向用户呈现视觉信息的显示屏。在一些实施方案中，显示屏包括触敏显示器。在一些实施方案中，用户界面218可包括用于向用户呈现信息的一个或多个不同类型的设备。用户界面218可包括例如任何数量的视觉(例如，显示设备、灯等)、听觉(例如，一个或多个扬声器)和/或触觉(例如，键盘、触摸屏或鼠标)反馈设备。在一些实施方案中，输入/输出设备216可以表示显示屏(例如，液晶显示器或发光二极管显示器)和/或打印机(例如，打印设备或用于将指令输出到打印设备的组件)中的一者或多者。在一些实施方案中，输入/输出设备116可以被配置为接受或接收由处理器112执行以进行本文所述的实施方案的程序指令(例如，软件指令)。
检测系统200还可包括其他部件，并且包括处理器212、存储器214和输入/输出设备216的所示部件中的任一者的功能可以分布在多个部件和独立设备(诸如例如，计算机)上。系统200可以被配置为工作站、台式计算设备、笔记本电脑、平板电脑、移动计算设备或任何其他合适的计算设备或计算设备的集合。系统200可在本地网络上运行或者被托管在云计算环境中。图2所示的组件仅仅是为了解释本公开的各个方面而示出的，并且组件的添加或移除对于本领域技术人员将是显而易见的。
检测系统200允许用户实时测定电力网络中的异常。在一些实施方案中，从电力网络收集的数据可以通过处理器基于电力网络的模型实时自动地分析，以产生用于输出的结果。检测系统200还允许用户预测电力网络未来可能出现的问题/难题。
图3A示出根据一个实施方案的作为示例性电力网络的电力网络10的图。从供电系统2供电。各种电力设备基础结构3通过电力线4连接。在电力网络10中在所选位置A至G处提供传感器。传感器可在功能上连接到检测系统(诸如图2的系统200)的处理器，并且被配置为在网络10中的各种位置处收集数据，然后可将该数据传输至检测系统的处理器以分析。在所示的示例中，基于从在位置A至G处的节点接收到的传感器数据，检测系统的处理器可以分析数据并确定在位置A至C、F和G处的节点具有“良好的”电力条件，而在位置D和E处的节点具有“坏的”电力条件。处理器还可基于网络10的模型来确定可能的异常原因(例如，短路或开路)可能定位在网络10中的位置B与D之间的节点31处。
图3B示出作为另一个示例性电力网络的电力网络10′的图。电力从供电系统2′供应至电力线网络10′。各种电力设备基础结构3′通过电力线4′连接。各种电力设备基础结构3′可通过定向连接节点表示，其中箭头对应于电力网络中的电流或电力流动方向。例如，定位在节点A、B和C处的电力设备基础结构被定向连接，如左侧插图中所示，其中节点C是节点A和节点B之间的从属性连接，并且因此节点A和B不是从属性(d)分隔的。节点C被定义为从节点A到节点B的路径中的d分隔物。
在本公开中，创建模型以表示各种电力网络。电力网络模型可以包括表示设置在电力网络中的电力设备基础结构的定向连接节点。电力网络内的电流或电力流动的性质(诸如例如，流向、流率)可以通过流量传感器进行测量，或者使用基尔霍夫电流定律(KCL)、基尔霍夫电压定律(KVL)、节电原理或基于影响因素(诸如例如，趋势功率、电压或电流数据、设备利用率、网络扩展或收缩、特殊的网络需求(例如，极端炎热的天气和相称的空调功率消耗等)、系统故障(开路或断路，诸如由于损坏或断路器操作或功率或电流的分流等引起)、在节点或位置处的专门计量或测量等)进行推导。在一些实施方案中，模型可以是电网的表示，包括例如有向无环图(DAG)。电力网络的表示(例如，有向无环图)可作为矩阵数据结构矩阵，诸如例如相邻矩阵、可及矩阵等通过处理器存储或处理。
图4A示出根据一个实施方案的电力网络的模型20。在模型20中，各种电力设备基础结构由节点1至17表示。例如，节点1可表示电源。节点1至17被定向连接以形成有向图，该有向图是部分有序集。图4A中的箭头对应于电力网络中的电力或电流流动方向。应当理解的是，电力网络可由各种有向图表示。电力网络的有向图还可以由矩阵数据结构，诸如例如相邻矩阵、可及矩阵等表示。矩阵数据结构可由处理器存储和/或分析。
本公开提供通过处理器诸如图2的处理器212来分析电力网络模型的方法。在一些实施方案中，可以分析模型或模型的表示以评估节点或节点集是否满足一个或多个可定位标准。在一些实施方案中，可定位标准可包括例如对于给定节点或节点集评估是否存在设置在给定节点或节点集下游的至少两个传感器，该至少两个传感器具有相对于给定节点或节点集不共享任何d分隔物的相应路径。当给定节点满足可定位标准时，未向给定节点提供传感器。当给定节点不满足可定位标准时，向给定节点提供一个或多个传感器。可以解释和执行与处理器相关联的指令以分析模型或模型的表示。以上分析方法可包括动态编程，包括从模型的表示中的最低水平开始的自底向上方法，如图4B所示的一个实施方案进一步解释的。
图4B是根据一个实施方案的用于确定电力网络中的传感器放置的方法300的流程图。在310处，通过模型表示电力网络。该模型可以是例如有向图，诸如图4A所示的有向图20。有向图可以是部分有序集，其中节点以不同水平排序。然后，方法300前进至320。在320处，评估模型的最低水平处的一个或多个节点或节点集，以在330处确定该节点或节点集是否满足可定位标准，例如是否存在设置在给定节点或节点集旁边的至少两个传感器，该至少两个传感器具有相对于给定节点或节点集不共享任何d分隔物的相应路径。当节点或节点集满足定位标准时，方法300前进至340。当节点或节点集不满足可定位标准时，方法300前进至350。在340处，将传感器添加到节点或节点集，并且用添加的传感器更新模型(例如，所述图)。在350处，以相同方式评估设置在相同水平或更上层水平处的下一个节点或节点集。该方法继续直到评估电力网络最上层水平处的节点。
将图4B的方法300应用至由图4A的模型20表示的电力网络产生了图4C至4D中所示的结果。从最低水平处开始评估，例如在有向图20中的节点16或17。据发现节点16和17不满足可定位标准。在节点16或17下游没有传感器。将传感器分别添加在节点16和17处，并且使用在节点16和17处的添加的传感器更新有向图20。然后，可以评估下一个水平下的节点14或15。据发现节点14和15满足可定位标准。在节点16和17下游存在两个传感器，并且从节点14和15到节点16和17处的两个传感器的相应路径不共享任何d分隔物。不会向节点14和15提供传感器。此自下而上的方法将继续，并且可以评估每个节点。发现节点11至13、8、9和1至7满足标准，并且不会向这些节点提供传感器。节点10不满足可定位标准。从节点10到节点16和17处的两个传感器的相应路径，例如10-13-14-16和10-13-15-17可共享d分隔物(例如节点13)。向节点10提供传感器，并且更新有向图20。
在将传感器放置在节点16、17和10处时，足以覆盖整个电力网络。即，通过分析来自定位在节点10、16和17处的传感器的数据，检测系统的处理器可明确地确定电力网络中的每个节点处的状态。图4D示出在选定位置处设置有传感器的图4C的有向图的重新格式化版本。在一些实施方案中，当在电力网络中存在异常时，该处理器可以通过分析传感器数据来明确地确定异常的位置。例如，当传感器数据指示节点11、14和16具有故障或已检测异常，并且其余节点没有已检测故障或异常时，处理器可确定故障或异常的原因定位在节点11处。
当电力网络需要n个传感器完全覆盖电力网络时，网络的复杂度指数可表示为传感器所需数量n与电力网络中的节点数量的比率。例如，图4A的电力网络20的复杂度指数为3/17。
应当理解，在一些实施方案中，模型的一个或多个节点可以在评估之前被分组到相应的节点集。例如，图4A的节点14和15可以被分组到可以评估的单个节点集中。每个节点集可以包括一个或多个相邻节点，并且可以与图4B至4C所示相同的方式评估每个节点集，以确定节点集或节点与节点集的组合是否满足可定位标准。
图5A示出根据另一个实施方案的电力网络的模型30。通过有向图表示电力网络。节点1可表示电源。模型30可以与图4A至4D对于模型20所示的类似的方式分析，如上文所讨论。模型30包括74个节点，在这些节点中三十二个节点不满足可定位标准并且为该三十二个节点提供传感器(例如，在图5A中的圆圈节点)以完全覆盖整个电力网络30。图5A的电力网络30的复杂度指数为32/74。图5B示出在选定位置处设置有传感器的图5A的有向图的重新格式化版本。
在一些实施方案中，模型30的节点可以在评估之前首先分组到相应的节点集中。图5C显示一些相邻节点被分组到相同的节点集32(例如，在同一圆圈内)。以这种方式，与图5B相比，完全覆盖整个电力网络所需的传感器的数量可从32减少至15。需权衡之处为，当确定一个特定节点集是异常的原因时，它可能不会告知特定节点集内异常的明确位置(例如，哪个节点)。
在一些实施方案中，电力网络可以修改以减少完全覆盖电力网络所需要的传感器数量。如图5D所示，可以添加一个或多个连接件34(例如，电力线)以定向地连接由节点表示的电力设备基础结构。当在图5D中添加连接件34时，与图5B相比，完全覆盖整个电力网络所需的传感器的数量可从32减少至11。
本公开还提供确定电力网络中的传感器覆盖的方法。该方法可以包括建立电力网络的模型。该模型包括表示设置在电力网络中的电力设备基础结构的定向连接节点。一个或多个传感器可定位在电力网络中的一个或多个选定位置处。模型或模型的表示可以存储在例如处理器中。模型或其表示可通过处理器分析以评估每个节点是否满足一个或多个可定位标准。可定位标准可包括例如对于给定节点评估是否存在除给定节点之外的至少两个传感器，该至少两个传感器具有相对于给定节点不共享任何d分隔物的相应路径。
基于评估的结果，模型的节点可被分配给定位区域、检测区域和安全区域中的一者。定位区域是指在电力网络中可以明确地确定异常的位置(例如，在特定节点处)的区域。检测区域是指电力网络中可以检测到与异常相关的数据/信号但是准确的异常位置未知的区域。安全区域是指在电力网络中不能获得与异常相关的信息的区域。当给定节点满足可定位标准时，给定节点被分配给定位区域，并且当给定节点不满足可定位标准时，给定节点被分配给检测区域或安全区域。
当给定节点不满足可定位标准时，可进一步评估给定节点以确定传感器是否定位在给定节点处或远离给定节点。如果没有传感器，则将对应于给定节点的区域分配给安全区域，否则将其分配给检测区域。
在一些实施方案中，对给定节点与其他节点之间的路径的评估可通过使用关于诸如高级马尔可夫链方法的可及性的合适算法来执行。示例性的马尔可夫链方法描述于Golnari等人，“Pivotality of Nodes in Reachability Problems Using Avoidance andTransit Hitting Time Metrics，”7th Annual Workshop on Simplifying ComplexNetworks for Practitioners SIMPLEX 2015，2015年5月中。该专利全文以引用方式并入本文。应当理解，路径的评估可由任何其他合适的算法来执行。
在一些实施方案中，可以分析传感器的灵敏度(例如，关于测量异常电力参数的灵敏度)和吸收(命中)概率矩阵Q以确定对于至少一些节点而言电力、电流或电压水平的最小可检测变化。电力网络的吸收(命中)概率矩阵Q将在下文进一步描述。
图6A是根据一个实施方案的用于确定电力网络中的传感器覆盖的方法400的流程图。在410处，通过模型表示电力网络。该模型可以是例如有向图，诸如图4A所示的有向图20，或者对于双向流动，其可为诸如图14和图16所示那些的图。然后，方法400前进至420。在420处，相对于传感器节点评估模型的一个或多个节点，以在430处确定该节点或节点集是否满足可定位标准，例如是否存在除给定节点或节点集之外的至少两个传感器，该至少两个传感器具有相对于给定节点或节点集不共享任何d分隔物的相应路径。
当节点或节点集满足定位标准时，方法400前进至440。当节点或节点集不满足可定位标准时，方法400前进至450。在440处，将节点或节点集分配给定位区域。然后，方法400前进至480。
在450处，进一步评估节点或节点集以确定在节点或节点集处或在其他节点处存在可检测的传感器。当存在定位在节点或节点集处或其下游的传感器时，方法400前进至460。在460处，将节点或节点集分配给检测区域。当不存在定位在节点或节点集处或其下游的传感器时，方法400前进至470。在470处，将节点或节点集分配给安全区域。然后，方法400前进至480。
在480处，以相同方式评估设置在模型中的相同水平或更上层水平处的下一个节点或节点集。该方法继续直到评估电力网络最上层水平处的节点。
通过将图6A的方法400应用到由图4A的模型20表示的电力网络，结果示出在图6B中。如图6B所示，将传感器分别提供给节点10和16。评估从最低水平例如有向图20中的节点16或17开始。据发现节点16不满足可定位标准。在节点16下游没有传感器。进一步评估节点16以确定在节点16处或其下游是否存在传感器。在节点16处有传感器。节点16被分配给检测区域。节点17以相同方式进行评估。据发现节点17不满足可定位标准。在节点17下游没有传感器。进一步评估节点17以确定在节点17处或其下游是否存在传感器。没有定位在节点17处或其下游的传感器。节点17被分配给安全区域。然后，可以评估下一个水平下的节点14或15。据发现节点14和15不满足可定位标准。在节点16处下游仅有一个传感器。节点14和15分别被分配给检测区域。此自下而上的方法将继续，并且可以评估每个节点。据发现节点1、3和6各自满足可定位标准并且被分配给定位区域。例如，对于节点3，从节点3到节点16处的传感器的穿过3-5-9-12-14-16的一个路径和从节点3到节点10处的另一个传感器的穿过3-6-10的一个路径不共享任何d分隔物，并且节点3满足可定位标准。其他节点被分配给检测区域。在将传感器放置在节点10和16处的情况下，电力网络20被部分地覆盖，并且被分成定位区域、检测区域和安全区域。通过分析来自定位在节点10和16处的传感器的数据，检测系统的处理器可以(i)在异常来源位于定位区域内时明确地确定异常的位置，并且(ii)在异常来源位于检测区域内时检测异常的发生。
图6C示出根据一个实施方案的模型40的图表，其中节点分别被分配给定位区域61、检测区域62和安全区域63。图6A的模型40与图5B的模型30相同，除了传感器的数量及其位置不同。在图5B中为电力网络提供传感器，使得整个电力网络被完全覆盖，而在图6C中，电力网络被部分覆盖并且节点被分配给定位区域、检测区域和安全区域中的一者。
图6D示出根据另一个实施方案的模型50的图表，其中节点分别被分配给定位区域61、检测区域62和安全区域63。图6B的模型50与图6C的模型40相同，除了传感器的数量及其位置不同。在图6D中，电力网络被部分覆盖，并且节点被分配给定位区域、检测区域和安全区域中的一者。与图6C相比，当传感器的数量和/或位置改变时，节点到不同区域的分配也相应地改变。
本公开还提供检测和定位电力网络中感兴趣的异常的方法。当异常发生在电力网络的定位区域内时，该方法可确定异常的水平及其位置(例如，在电力网络的哪个节点处)。该方法可以进一步检测在其他节点处(例如，在电力网络的检测区域中的节点)的异常的发生/存在并且识别在电力网络内的高风险位置。
该方法可以包括例如提供设置在电力网络中的一个或多个选定位置处的一个或多个传感器。传感器被配置为在相应位置处从电力网络收集数据。数据可通过一个或多个传感器从电力网络的设置一个或多个传感器的一个或多个位置处收集。所收集的数据可包括在异常发生之前和之后进行的传感器测量。然后可从传感器接收数据并基于电力网络的模型通过处理器进行分析。该模型可包括定向连接节点。在一些实施方案中，可以在两个相邻节点之间添加一个或多个假想节点，以基于该模型生成吸收状态的谐函数。
就电力网络而言，基尔霍夫电流法(KCL)和基尔霍夫电压法是用于求解节点处电流或电压值的基本技术。KCL规定每个节点的电流的净和为零(电流为反射朝向或远离节点的方向的符号(正或负)量)：∑I＝0。KVL规定回路上的电压的净和为零：∑V＝0。对其进行建模的一种方法是将非法负载建模为添加到节点的未知电阻。其值和位置是未知的。
为了演示窃电的应用，电压可用作用于建模被建模为马尔可夫链的网络中的谐函数的度量。在此类网络中，状态表示节点，并且转移通过网络链路发生。电源和接地被建模为吸收状态。由相邻矩阵(由链路电阻器和节点连接组成)计算状态的转移概率矩阵：
P＝D(-1)A，
基本矩阵计算和命中概率推导如下所示：
矩阵P被划分为四部分：
Figure BDA0002476320140000171
其中I表示内部并且B表示边界。注意PBI是全零的矩阵并且PBB是恒等矩阵。基本矩阵和命中概率由以下等式计算：P：
N＝(I-PII)-1，Q＝NPIB
检测算法将基于模型的数据(命中概率Q)与实际传感器数据(感测电压)进行比较，并且如果差值大于某个阈值，则识别到异常。
定位算法(反向传播和估计方法)规定吸收(命中)概率乘以新的吸收节点s2可以从仅当节点1s1吸收情况下的基本矩阵中找到：
Figure BDA0002476320140000172
不需要为任何候选的新的吸收节点计算新的逆矩阵。
叠加定律(修改版本)规定对于节点i的值，即
Figure BDA0002476320140000173
当节点s1和s2均为值为
Figure BDA0002476320140000186
和
Figure BDA0002476320140000187
的边界节点时，该值等于仅当节点s1为边界节点时的其值加上当s1和s2均为边界节点但值分别为0和
Figure BDA0002476320140000181
时的其值。
基于叠加定律和辅助定理推导以下公式：
Figure BDA0002476320140000182
其中
Figure BDA0002476320140000183
整个过程仅需要一个逆矩阵
Figure BDA0002476320140000184
从最小二乘法找到
Figure BDA0002476320140000185
级联预测可通过以下操作完成：(1)一旦估计出异常源及其值，(2)将其作为新的吸收状态添加到马尔可夫模型中，并且重复基本矩阵计算和命中概率推导(以上)中的全部计算以估计其他非观测节点的电压水平(以识别高冲击或大电压下降处的位置)。
对于在网络中没有度量是谐和的情况下产生一些额外影响的情况，将假想节点添加至网络以对额外影响进行建模并使公式是谐和的(但如本文所示的窃电示例不需要)。
图7示出根据一个实施方案的通过添加假想或衰减节点对电力网络进行建模的方法。具有电力定向方面的简化的电力网络的模型包括定向连接至节点3的节点1和2。分别在节点1与3之间和节点2与3之间添加假想节点4和5。在没有假想节点的情况下，电力定向方面可通过以下表达：
C3＝(q13d13C1+q23d23C2)/(q13+q23)…(1a)
其中Ci为在节点i处的电力定向方面，qij为从节点i到j的电力流率，dij为从节点i到j的电力定向方面衰减参数。
上述公式(1a)不是谐和，并且可能存在非现有的、非独特的或无效的解。
通过添加假想节点(例如，节点0、4和5)，在电力网络的真实节点(例如，节点1至3)处的电力定向方面水平(例如，由于盗窃产生的功率损失水平)可以计算为一个或多个谐函数。在假想节点0处，将功率损失衰减d设定为零。然后，例如，C4可以表示为：
C4＝(C1d13+C0(1-d13))/d13+(1-d13)…(1b)
其随后可减小至谐函数：
C4＝C1d13…(1c)
然后可推导出其余节点的公式以获得谐和扩散模型。鉴于此谐和扩散模型和以下狄利克里原理(Dirichlet’s principle)，当在源(初始节点和具有传感器的任何节点)处的异常水平(例如，功率损失水平)已知时，可以找到所有真实节点的异常水平。
假想或衰减节点处的功率损失水平可设定为约零。在一些实施方案中，当确定功率损失的位置和量时，在电力网络的其他节点(例如，在电力网络的检测区域中的节点)处的功率损失水平)可以通过以下计算：
C内部＝QC边界…(2)
其中C内部是除功率损失位点之外的所有节点的功率损失水平的向量，C边界是在功率损失位点处的功率损失水平的向量，并且Q为可由转移概率矩阵确定的吸收(命中)概率矩阵。转移概率矩阵可由以重量、电力流动的表示和电力网络中的功率损失衰减构成的相邻矩阵来确定。转移概率矩阵还被划分为表示内部来源和边界来源。特定电力网络的吸收概率矩阵Q可由本领域的技术人员解开。
在一些实施方案中，可使用具有假想节点的电力网络模型来基于传感器在一些节点处收集的数据确定一个或多个功率损失源的位置，该数据可进一步用于评估其他节点处的功率损失水平和/或识别高风险的故障位置。
在一些实施方案中，对于相对简单的电力网络，可通过将每个节点作为具有假定异常水平的边界节点单独考虑为潜在(损失)源并且将这些建模值与传感器测量值进行比较，来确定功率损失源的位置。对于相对复杂的电力网络，由于网络的复杂性，该方法可能难以实现。
在一些实施方案中，功率损失的位置可通过将至少两个传感器放置在电力网络的下游位置处、分析来自传感器的在异常事件之前和之后的数据，并且将节点的初始非异常状态建模来确定。然后可以使用本领域已知的拟合估计方法诸如最小二乘法获得在异常源处的吸收概率矩阵和水平。
在一些实施方案中，可以分析来自这些传感器的数据以计算在电力网络的检测区域内的节点处的功率损失水平。上文讨论了将节点分配给检测区域的方法。参见例如图6B。可通过确定吸收概率矩阵Q来计算在节点处的功率损失水平。可以进一步分析数据以基于在节点处的计算的功率损失水平来定位一个或多个潜在功率损失源。基于潜在功率损失源的信息，可以进一步估计在电力网络中的其他节点处的功率损失水平。
图8A至8C示出如何在电力网络中使用不同量的传感器确定功率损失源的位置。在图8A中，一个传感器定位在节点82处并且测量在节点82处的功率损失水平。使用上文讨论的模型和功率损失定位方法，电力网络的节点可分别分配给定位区域、检测区域和安全区域。可计算检测区域内的节点的功率损失水平以确定潜在的功率损失源。在这种情况下，将十个节点(例如，图8A中具有正方形的节点)识别为潜在的异常源，并且用其相应的功率损失水平标记它们。在图8B中，两个传感器分别定位在节点83a和83b处。类似地，可以获得检测区域内的节点的功率损失水平。在这种情况下，已将四个节点识别为潜在功率损失源，并且用相应的功率损失水平标记它们。在图8C中，三个传感器分别定位在节点84a、84b和84c处。在这种情况下，确定功率损失源的位置处于节点88处。在图8A至图8B中，可基于所计算的功率损失水平和传感器位置来确定与定位的节点的子集相关联的功率损失，而在图8C中，所述方法可准确地定位具有功率损失源的节点。
图9A示出演示本公开的主题的多节点电力网络的物理模型。在物理模型中，在三个传感器位置上测量功率分布。窃电被建模为将非法负载连接到网络中的一个节点。本发明的异常检测方法可用于使用三个传感器使用数字双模型来定位非法负载(盗窃)的位点。图9B示出图9A的多节点电力网络的数字双模型。系统的所得模型使用根据本发明主题的一个实施方案的该示例的算法来显示传感器位于哪些节点处以及非法负载位于何处。图10为根据实施方案的图9B的数字双模型的输入和输出的框图。诸如节点到节点的连接性(例如，相邻矩阵)和源节点识别(例如，功率、VCC)和电压信息等系统信息是用于电压测量应用的一些可能输入。传感器数据与系统信息一起输入到执行软件以执行网络分析的数字双模型。在各种实施方案和组合中，所得网络可产生以下中的一项或多项：异常检测、已检测异常的定位、和/或异常级联预测。在不脱离本发明主题的范围的情况下，检测的其他变型是可能的。
图11A为根据实施方案的用于使用统计建模进行电力网络的异常检测的系统的流程图。处理系统600接收网络结构信息610和流动特性信息620以生成系统模型614并执行统计建模616和矩阵计算617。用于基本矩阵计算的流动特性信息的示例包括用于求解在节点处的电流或电压值的基尔霍夫电流定律(KCL)和基尔霍夫电压定律：
a.KCL：每个节点的电流的净和为零(电流为反射朝向或远离节点的方向的符号(正或负)量)：∑I＝0。
b.KVL：回路上的电压的净和为零：∑V＝0。
在此类情况下，将非法负载建模为添加到节点的未知电阻。其值和位置是未知的。
所得矩阵计算使用基于模型的传感器数据622进行修改，并且由评估器功能模块630使用传感器数据624进行评估。该结果提供了根据实施方案的对异常636(例如，窃电)的检测的指示。在发生异常之前和之后，在给定来自有限数量的传感器的测量的情况下，系统600可检测电力网络中的异常。例如，在各种实施方案中，该方法使用对网络的其他非观测节点的电压/电流水平的估计来估计电力被窃取，以识别受影响的位置或处于高风险的位置。电力网络通常被建模为非定向(双向)网络。
图11B为根据实施方案的用于使用马尔可夫链(Markov chain)统计建模进行电力网络的异常检测的系统的流程图。在图11B中，统计建模模块616为马尔可夫链建模模块616。为了应用窃电，我们选择电压作为度量来建模我们的谐函数。网络被建模为马尔可夫链，其中状态表示节点，并且转移通过网络链路发生。电源和接地被建模为吸收状态。由相邻矩阵(由链路电阻器和节点连接组成)计算状态的转移概率矩阵：
P＝D(-1A，。
处理系统600使用基于谐函数616和基础矩阵计算618的马尔可夫链建模来执行命中概率推导612，并且使用基于模型的传感器数据622来通过评估器模块624根据传感器数据630评估系统信息(网络结构610和流动特性620)以提供异常检测636。
图11C为根据实施方案的用于使用马尔可夫链统计建模进行电力网络的异常检测和异常定位的系统的流程图。各种实施方案通过向图11B的系统添加反向传播模块626来提供异常638的定位。这将提供已检测异常的定位。
图11D为根据实施方案的用于使用马尔可夫链统计建模进行电力网络的异常检测、异常定位和异常级联预测的系统的流程图。各种实施方案另外执行马尔可夫链修改634、基础矩阵修改632和命中概率修改628以提供异常级联预测642。异常级联预测642在异常级联之后为电力系统的其他节点提供对度量或变量的值估计。这使电力网络的用户能够进一步了解系统是如何在逐个节点的基础上容忍异常的，以及受异常影响的节点的数量和定位。
图12是演示根据实施方案的对电力网络中的传感器数据和网络信息的数据分析的一个示例的流程图。在过程流程图700中，假定传感器被放置在电力网格上，并且电力网络网格的数字化信息709利用从网络网格701上的传感器收集的数字化传感器信息来输入到操作节点702。在传感器位置(Vs)处的期望值通过求解系统公式710来提供，并且可使用比较模块703与从传感器位置(VS i)获得的实际值进行比较。应当理解，在各种应用中，预期值与实际值的测量可以是电压、功率、电流、电子流等。如果比较不超过阈值703，则在流返回到模块702时检查下一个节点。如果比较超过阈值703，则由异常检测模块704输出异常检测。在各种实施方案中，异常检测模块计算概率的二进制置信区间。在涉及异常定位的实施方案中，异常检测模块704的输出触发步骤705，该步骤检查每个节点“i”和值(异常尺寸)ΔU(i)作为异常的候选。求解系统公式模块706使用来自步骤705的输出并提供ΔVs (i)。在步骤707处选择具有最小误差的候选(i*＝argmin|ΔVs-ΔVs (i)|)，并且在模块708处输出异常定位。对网络信息的任何改变被应用于网络信息模块709，该网络信息模块被应用于求解系统公式710。异常级联预测模块711预测异常对系统的各种受影响节点的影响，并且在特征为异常级联预测输出的实施方案中输出它们。
在各种实施方案中，图13的系统例如通过图1的分析步骤140来执行。应当理解，所涉及的分析顺序以及步骤和模块可在硬件、软件、固件以及它们的组合中执行。顺序和执行的功能的变化在不脱离本发明主题的范围和实质的情况下可变化。在各种实施方案中，在图10、图11A至11D和图13的系统上操作的算法和软件可通过图2的系统(诸如计算部件226的处理器212和存储器214)来执行。在各种实施方案中，分布式处理和存储装置(诸如云实施方案)可与图2的系统一起使用或结合使用。根据具体实施方式和应用，输出由输入/输出设备216或用户界面218提供，或者在其他连接的装置上提供。
图13是示出根据实施方案的数据分析系统800的框图，该数据分析系统具有传感器数据802和网络信息801输入以及使用人工智能和网络理论803的各种输出804(异常检测)、805(异常定位)和806(级联预测)。在各种实施方案中，网络信息801包括网络拓扑(例如，如图15所示的邻接矩阵A，其对于双向流是对称的)、流模型提供边界(例如，吸收)节点信息以及提供流动特性(例如，功率启动、接地结束)。
图14是示出根据实施方案的电力网络的网络结构的示例中的各种节点的节点图。功率(Vcc，节点1)互连到节点2至6和接地节点7，如图所示。可在表中执行和表示节点之间的各种测量，诸如图15中的矩阵。图15为示出根据实施方案的图14的结构的链路的测量的电阻值的相邻矩阵(矩阵A对于双向流是对称的)。在该矩阵中，所有链路的电阻为100Kohm或1000Kohm(如果参照接地)。(零反映空条目)。在电压测量示例中，边界节点为Vcc(节点ID＝1)，值＝5伏特；和接地(节点ID＝7)，值＝0伏特。可使用基尔霍夫电流定律和基尔霍夫电压定律根据电流和电压来表征电力网络。传感器安装在ID为2和4的节点处，并且传感器读取电压。
图16为示出根据实施方案的用于图14网络结构的计算的各种节点测量的节点图。为了演示该测量算法，根据一个实施方案，首先执行具有转移概率矩阵P的吸收马尔可夫链建模，其中P＝D-1A并且D＝diag(sum(A，2))。
接着，经证实，在节点I处的电压等于Vcc节点的吸收概率乘以Vcc电压，从节点“i”开始。(参见例如Snell和Doyle，“随机行走和电力网络(Random Walk and ElectricalNetworks)”，https://arxiv.org/abs/math/0001057，2000年1月和https:// math.dartmouth.edu/～doyle/docs/walks/walks.pdf，2006年7月5日)。计算基本矩阵(F)，进而计算吸收概率：F＝(I-Pa)-1，其中Pa为移除吸收节点的行和列(例如，在本示例中为第1行、第1列和第7行、第7列)所得到的矩阵。
本发明主题可应用于多种不同的应用，包括但不限于电力网络、配电系统、光纤网络、电池燃料单元。
除非另外指明，否则本说明书和实施方案中所使用的表达量或成分、性质测量等的所有数字在所有情况下均应理解成由术语“约”来修饰。因此，除非有相反的说明，否则在上述说明书和所附实施方案列表中示出的数值参数可根据本领域的技术人员利用本公开的教导内容寻求获得的期望性质而变化。最低程度上说，并且在不试图将等同原则的应用限制到受权利要求书保护的实施方案的范围内的前提下，至少应当根据所报告的数值的有效数位并通过应用惯常的四舍五入法来解释每个数值参数。
在不脱离本公开实质和范围的情况下，可对本公开的示例性实施方案进行各种修改和更改。因此，应当理解，本公开的实施方案并不限于以下描述的示例性实施方案，而应受权利要求书及其任何等同物中示出的限制因素控制。
示例性实施方案列表
以下列出示例性实施方案。应当理解，列表I和II中的实施方案中的任一者可被组合。
实施方案列表I：
实施方案1是一种用于检测双向电力网络中的异常的系统，所述系统具有遍布于所述电力网络的节点的多个传感器，所述系统包括：
网络处理器，所述网络处理器包括：
网络拓扑存储装置，所述网络拓扑存储装置具有用于接收网络节点信息的网络输入，包括对所述网络的多个节点的电力节点需求的描述，包括节点到节点的连接性；
传感器数据存储装置，所述传感器数据存储装置包括用于接收来自所述多个传感器的传感器测量的传感器数据输入和将每个测量与所述网络内的传感器节点位置相关联的信息；
电力系统模型存储装置，所述电力系统模型存储装置包括所述传感器测量与所述电力网络的每个节点处的电力节点需求之间的关系；
网络矩阵计算器，所述网络矩阵计算器被配置为接收所述网络节点信息和所述电力节点需求，并且生成每个传感器节点位置处的统计预期测量范围；和
比较模块，所述比较模块被配置为将所述传感器测量与所述电力网络的每个传感器节点位置的所述统计预期测量范围进行比较，并且针对所述传感器测量落在所述统计预期测量范围之外的每个节点生成异常检测。
实施方案2是根据实施方案1所述的系统，还包括异常定位模块，所述异常定位模块被配置为识别与异常检测相关联的所述网络中相关联的一个或多个节点。
实施方案3是根据实施方案2所述的系统，还包括异常级联预测计算器，所述异常级联预测计算器被配置为基于异常检测来重新计算所述电力网络的每个节点的统计预期测量范围。
实施方案4是根据实施方案1-3中任一项所述的系统，其中所述网络矩阵计算器包括马尔可夫链建模模块以基于谐函数预测网络节点测量。
实施方案5是根据实施方案1-4中任一项所述的系统，其中所述异常级联预测计算器包括马尔可夫链修改模块以基于已检测异常重新计算网络节点测量。
实施方案6是根据实施方案1-5中任一项所述的系统，其中所述电力系统模型存储关系基于基尔霍夫电流定律(KCL)。
实施方案7是根据实施方案1-5中任一项所述的系统，其中所述电力系统模型存储关系基于基尔霍夫电压定律(KVL)。
实施方案8是根据实施方案6所述的系统，其中所述异常级联预测计算器用于识别由于所述已检测异常而将经历高电流下降的非监测节点。
实施方案9是根据实施方案7所述的系统，其中所述异常级联预测计算器用于识别由于所述已检测异常而将经历高电压下降的非监测节点。
实施方案列表II：
实施方案10是一种用于使用遍布于电力网络的节点的多个传感器来检测所述电力网络中的异常的方法，所述方法包括：
接收网络节点信息，包括接收对所述网络的多个节点的电力节点需求的描述；
接收来自所述多个传感器的传感器测量和将每个测量与所述网络内的传感器节点位置相关联的信息；
接收电力系统模型，所述电力系统模型包括所述传感器测量与所述电力网络的每个节点处的电力节点需求之间的关系；
使用所述网络节点信息和所述电力节点需求来计算每个传感器节点位置处的统计预期测量范围；
将所述传感器测量与所述电力网络的每个传感器节点位置的所述统计预期测量范围进行比较，并且针对所述传感器测量超过所述统计预期测量范围的每个节点生成异常检测。
实施方案11是根据实施方案10所述的方法，还包括识别与异常检测相关联的所述网络中相关联的一个或多个节点。
实施方案12是根据实施方案11所述的方法，还包括基于异常检测来重新计算所述电力网络的每个节点的统计预期测量范围。
实施方案13是根据实施方案10-12中任一项所述的方法，还包括使用马尔可夫链建模来基于谐函数预测网络节点测量。
实施方案14是根据实施方案10-13中任一项所述的方法，还包括使用马尔可夫链建模来基于已检测异常重新计算网络节点测量。
实施方案15是根据实施方案10-14中任一项所述的方法，其中所述电力节点需求基于基尔霍夫电流定律(KCL)。
实施方案16是根据实施方案10-14中任一项所述的方法，其中所述电力节点需求基于基尔霍夫电压定律(KVL)。
实施方案17是根据实施方案15所述的系统，还包括使用马尔可夫链建模来识别由于已检测异常而将经历高电流下降的非监测节点。
实施方案18是根据实施方案16所述的系统，还包括使用马尔可夫链建模来识别由于已检测异常而将经历高电压下降的非监测节点。
整个本说明书中提及的“一个实施方案”、“某些实施方案”、“一个或多个实施方案”或“实施方案”，无论在术语“实施方案”前是否包括术语“示例性的”都意指结合该实施方案描述的特定特征、结构、材料或特性包括在本公开的某些示例性实施方案中的至少一个实施方案中。因此，在整个本说明书的各处出现的表述诸如“在一个或多个实施方案中”、“在某些实施方案中”、“在一个实施方案中”或“在实施方案中”不一定是指本公开的某些示例性实施方案中的同一实施方案。此外，具体特征、结构、材料或特性可在一个或多个实施方案中以任何合适的方式组合。
虽然本说明书已经详细地描述了某些示例性实施方案，但是应当理解，本领域的技术人员在理解上述内容后，可很容易地想到这些实施方案的更改、变型和等同物。因此，应当理解，本公开不应不当地受限于以上示出的例示性实施方案。特别地，如本文所用，用端值表述的数值范围旨在包括该范围内所包含的所有数值(例如，1至5包括1、1.5、2、2.75、3、3.80、4和5)。另外，本文所用的所有数字都被认为是被术语“约”修饰。
此外，对各种示例性实施方案进行了描述。这些实施方案以及其他实施方案均在以下权利要求书的范围内。

Claims (18)

1.一种用于检测双向电力网络中的异常的系统，所述系统具有遍布于所述电力网络的节点的多个传感器，所述系统包括：
网络处理器，所述网络处理器包括：
网络拓扑存储装置，所述网络拓扑存储装置具有用于接收网络节点信息的网络输入，包括对所述网络的多个节点的电力节点需求的描述，包括节点到节点的连接性；
传感器数据存储装置，所述传感器数据存储装置包括用于接收来自所述多个传感器的传感器测量的传感器数据输入和将每个测量与所述网络内的传感器节点位置相关联的信息；
电力系统模型存储装置，所述电力系统模型存储装置包括所述传感器测量与所述电力网络的每个节点处的电力节点需求之间的关系；
网络矩阵计算器，所述网络矩阵计算器被配置为接收所述网络节点信息和电力节点需求，并且生成每个传感器节点位置处的统计预期测量范围；和
比较模块，所述比较模块被配置为将所述传感器测量与所述电力网络的每个传感器节点位置的所述统计预期测量范围进行比较，并且针对所述传感器测量落在所述统计预期测量范围之外的每个节点生成异常检测。
2.根据权利要求1所述的系统，还包括异常定位模块，所述异常定位模块被配置为识别与异常检测相关联的所述网络中相关联的一个或多个节点。
3.根据权利要求2所述的系统，还包括异常级联预测计算器，所述异常级联预测计算器被配置为基于异常检测来重新计算所述电力网络的每个节点的统计预期测量范围。
4.根据权利要求3所述的系统，其中所述网络矩阵计算器包括马尔可夫链建模模块以基于谐函数预测网络节点测量。
5.根据权利要求4所述的系统，其中所述异常级联预测计算器包括马尔可夫链修改模块以基于已检测异常重新计算网络节点测量。
6.根据权利要求5所述的系统，其中所述电力系统模型存储关系基于基尔霍夫电流定律(KCL)。
7.根据权利要求5所述的系统，其中所述电力系统模型存储关系基于基尔霍夫电压定律(KVL)。
8.根据权利要求6所述的系统，其中所述异常级联预测计算器用于识别由于所述已检测异常而将经历高电流下降的非监测节点。
9.根据权利要求7所述的系统，其中所述异常级联预测计算器用于识别由于所述已检测异常而将经历高电压下降的非监测节点。
10.一种用于使用遍布于电力网络的节点的多个传感器来检测所述电力网络中的异常的方法，所述方法包括：
接收网络节点信息，包括接收对所述网络的多个节点的电力节点需求的描述；
接收来自所述多个传感器的传感器测量和将每个测量与所述网络内的传感器节点位置相关联的信息；
接收电力系统模型，所述电力系统模型包括所述传感器测量与所述电力网络的每个节点处的电力节点需求之间的关系；
使用所述网络节点信息和电力节点需求来计算每个传感器节点位置处的统计预期测量范围；
将所述传感器测量与所述电力网络的每个传感器节点位置的所述统计预期测量范围进行比较，并且针对所述传感器测量超过所述统计预期测量范围的每个节点生成异常检测。
11.根据权利要求10所述的方法，还包括识别与异常检测相关联的所述网络中相关联的一个或多个节点。
12.根据权利要求11所述的方法，还包括基于异常检测来重新计算所述电力网络的每个节点的统计预期测量范围。
13.根据权利要求12所述的方法，还包括使用马尔可夫链建模来基于谐函数预测网络节点测量。
14.根据权利要求13所述的方法，还包括使用马尔可夫链建模来基于已检测异常重新计算网络节点测量。
15.根据权利要求14所述的方法，其中所述电力节点需求基于基尔霍夫电流定律(KCL)。
16.根据权利要求14所述的方法，其中所述电力节点需求基于基尔霍夫电压定律(KVL)。
17.根据权利要求15所述的方法，还包括使用马尔可夫链建模来识别由于已检测异常而将经历高电流下降的非监测节点。
18.根据权利要求16所述的方法，还包括使用马尔可夫链建模来识别由于已检测异常而将经历高电压下降的非监测节点。
CN201880071422.4A 2017-11-03 2018-10-31 用于电力网络中的异常检测的系统和方法 Active CN111295592B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762581389P 2017-11-03 2017-11-03
US62/581,389 2017-11-03
PCT/IB2018/058544 WO2019087101A1 (en) 2017-11-03 2018-10-31 System and method for anomaly detection in an electrical network

Publications (2)

Publication Number Publication Date
CN111295592A true CN111295592A (zh) 2020-06-16
CN111295592B CN111295592B (zh) 2022-08-23

Family

ID=64650436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880071422.4A Active CN111295592B (zh) 2017-11-03 2018-10-31 用于电力网络中的异常检测的系统和方法

Country Status (4)

Country Link
US (1) US11143685B2 (zh)
EP (1) EP3704502A1 (zh)
CN (1) CN111295592B (zh)
WO (1) WO2019087101A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112987693A (zh) * 2021-03-03 2021-06-18 上海天旦网络科技发展有限公司 智能故障诊断系统及方法
CN113792453A (zh) * 2021-08-26 2021-12-14 广东电网有限责任公司广州供电局 基于数字孪生的局部放电监测系统、方法和装置
CN113809747A (zh) * 2021-11-19 2021-12-17 长沙理工大学 一种配电网拓扑识别方法、电子设备及介质
CN115048591A (zh) * 2022-06-17 2022-09-13 四川高融软科信息技术有限公司 一种基于人工智能的配电网全息数据可视化智能展示分析系统

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110275697B (zh) * 2019-06-28 2022-11-22 普元信息技术股份有限公司 分布式环境下基于拓扑结构的业务中台流程差异对比分析系统及方法
CN112995193B (zh) * 2021-03-17 2022-10-28 北京安天网络安全技术有限公司 异常节点识别方法、安全查询方法和装置
CN113189402B (zh) * 2021-04-27 2023-09-05 国网陕西省电力公司营销服务中心(计量中心) 一种低压配电线路阻抗识别方法及系统
CN114118685B (zh) * 2021-10-15 2024-10-22 国网上海市电力公司 一种评估配电网抗灾能力的方法及系统
FR3129486A1 (fr) * 2021-11-22 2023-05-26 Schneider Electric Industries Sas Système de détermination de présence de tension pour un réseau électrique haute tension
US20230274044A1 (en) * 2022-02-28 2023-08-31 Inlecom Group BV Critical infrastructure protection blueprints generation and utilization in an interdependent critical infrastructure architecture
CN114706028B (zh) * 2022-02-28 2023-02-28 合肥工业大学 基于漂移孪生体的智能网联汽车bms传感阵列失效云诊断方法
CN114781476B (zh) * 2022-03-08 2023-04-07 国网山东省电力公司营销服务中心(计量中心) 一种量测设备故障分析系统和方法
CN114662624B (zh) * 2022-05-25 2022-09-13 浙江大学 基于可再训练孪生网络的非侵入式负荷识别方法及系统
CN115173413B (zh) * 2022-08-10 2023-06-06 湖南科技大学 一种基于电气介数的电网脆弱线路辨识方法
CN116503023B (zh) * 2023-05-06 2024-01-05 国网浙江省电力有限公司 基于电力营销管理系统的电力异常信息稽查方法
CN116842349B (zh) * 2023-08-31 2023-11-21 天津鑫宝龙电梯集团有限公司 一种智能故障识别方法、装置、设备和介质
CN117314896B (zh) * 2023-11-28 2024-02-06 国网湖北省电力有限公司 一种基于深度学习的电力系统异常检测方法及系统

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1073911B1 (en) * 1998-03-09 2004-10-13 Abb Ab Fault location in a medium-voltage network
CN101216503A (zh) * 2008-01-02 2008-07-09 武汉国测科技股份有限公司 分级式防窃电系统及方法
CN102156782A (zh) * 2011-04-14 2011-08-17 国电南瑞科技股份有限公司 基于图论的电力系统公式并行运算管理方法
US20120131674A1 (en) * 2010-11-18 2012-05-24 Raptor Networks Technology, Inc. Vector-Based Anomaly Detection
CN104049175A (zh) * 2012-08-14 2014-09-17 Abb研究有限公司 具有多个多相母线的电网中的故障分析
CN104155582A (zh) * 2014-08-29 2014-11-19 上海交通大学 基于全波形信息的配网线路故障区段定位方法
EP2806572A1 (en) * 2013-03-15 2014-11-26 Echelon Corporation Detecting and locating power outages via low voltage grid mapping
WO2016130482A1 (en) * 2015-02-09 2016-08-18 Utilidata, Inc. Systems and methods of detecting utility grid intrusions
CN105911321A (zh) * 2016-07-08 2016-08-31 华北电力大学 基于电气参量传输关系的配电网t接接线窃电辨识方法
US20160285700A1 (en) * 2015-03-24 2016-09-29 Futurewei Technologies, Inc. Adaptive, Anomaly Detection Based Predictor for Network Time Series Data
US20160301207A1 (en) * 2012-01-25 2016-10-13 Siemens Aktiengesellschaft Holistic optimization of distribution automation using survivability modeling to support storm hardening
CN106093704A (zh) * 2016-06-15 2016-11-09 国网江苏省电力公司电力科学研究院 一种电网窃电用户的监测与定位方法及系统
CN106159943A (zh) * 2016-07-27 2016-11-23 济南凌盛信息科技有限公司 一种基于社交网络的电力网络拓扑分析的方法
CN106526419A (zh) * 2016-11-03 2017-03-22 河南工程学院 基于预测校正技术的配电网容错性在线故障定位方法
US20170104775A1 (en) * 2015-10-08 2017-04-13 Cisco Technology, Inc. Anomaly detection supporting new application deployments
CN106779443A (zh) * 2016-12-26 2017-05-31 国网山东省电力公司泰安供电公司 电力调度中的操作风险确定方法和装置
CN107144752A (zh) * 2017-06-23 2017-09-08 国家电网公司 新型实时防窃电方法
CN107192920A (zh) * 2017-06-27 2017-09-22 国家电网公司 基于信息中转节点的电力监测方法及系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100784072B1 (ko) 2003-09-22 2007-12-10 김형윤 구조물의 건전성 감시용 센서 및 시스템
US9494480B2 (en) 2009-08-11 2016-11-15 Michael Edward Klicpera Water use monitoring apparatus
KR101044293B1 (ko) 2009-10-30 2011-06-29 주식회사 엔타시스 다중 전압 도메인의 전력 배선망에서의 전원/접지 패드의 위치 및 개수를 최적화하는 방법
US20120013483A1 (en) 2010-07-17 2012-01-19 Jung Sungeun Water Supply Maintenance System
CN102707194B (zh) 2012-05-17 2015-03-25 中国电力科学研究院 一种配电网断线故障定位方法
US20150095000A1 (en) 2013-10-02 2015-04-02 Nec Laboratories America, Inc. Optimal sensor and actuator deployment for system design and control
CN103838959A (zh) 2013-12-18 2014-06-04 国网上海市电力公司 偏最小二乘回归应用于配电网谐波源定位与检测中的方法
US20180229161A1 (en) 2015-08-14 2018-08-16 3M Innovative Properties Company Electronic sensor having electrical contacts for direct monitoring of filter media within a filtration system
EP3666358A1 (en) 2015-08-14 2020-06-17 3M Innovative Properties Co. Identification of filter media within a filtration system
US10363502B2 (en) 2015-08-14 2019-07-30 3M Innovative Properties Company Electromagnetic sensor for active monitoring of filter media within a filtration system
WO2018044462A1 (en) 2016-08-31 2018-03-08 3M Innovative Properties Company Systems and methods for modeling, analyzing, detecting, and monitoring fluid networks
EP3507761A4 (en) 2016-08-31 2020-05-20 3M Innovative Properties Company SYSTEMS AND METHODS FOR MODELING, ANALYZING, DETECTING AND MONITORING FLUID NETWORKS
US11250177B2 (en) 2016-08-31 2022-02-15 3M Innovative Properties Company Systems and methods for modeling, analyzing, detecting, and monitoring fluid networks

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1073911B1 (en) * 1998-03-09 2004-10-13 Abb Ab Fault location in a medium-voltage network
CN101216503A (zh) * 2008-01-02 2008-07-09 武汉国测科技股份有限公司 分级式防窃电系统及方法
US20120131674A1 (en) * 2010-11-18 2012-05-24 Raptor Networks Technology, Inc. Vector-Based Anomaly Detection
CN102156782A (zh) * 2011-04-14 2011-08-17 国电南瑞科技股份有限公司 基于图论的电力系统公式并行运算管理方法
US20160301207A1 (en) * 2012-01-25 2016-10-13 Siemens Aktiengesellschaft Holistic optimization of distribution automation using survivability modeling to support storm hardening
CN104049175A (zh) * 2012-08-14 2014-09-17 Abb研究有限公司 具有多个多相母线的电网中的故障分析
EP2806572A1 (en) * 2013-03-15 2014-11-26 Echelon Corporation Detecting and locating power outages via low voltage grid mapping
CN104155582A (zh) * 2014-08-29 2014-11-19 上海交通大学 基于全波形信息的配网线路故障区段定位方法
WO2016130482A1 (en) * 2015-02-09 2016-08-18 Utilidata, Inc. Systems and methods of detecting utility grid intrusions
US20160285700A1 (en) * 2015-03-24 2016-09-29 Futurewei Technologies, Inc. Adaptive, Anomaly Detection Based Predictor for Network Time Series Data
US20170104775A1 (en) * 2015-10-08 2017-04-13 Cisco Technology, Inc. Anomaly detection supporting new application deployments
CN106093704A (zh) * 2016-06-15 2016-11-09 国网江苏省电力公司电力科学研究院 一种电网窃电用户的监测与定位方法及系统
CN105911321A (zh) * 2016-07-08 2016-08-31 华北电力大学 基于电气参量传输关系的配电网t接接线窃电辨识方法
CN106159943A (zh) * 2016-07-27 2016-11-23 济南凌盛信息科技有限公司 一种基于社交网络的电力网络拓扑分析的方法
CN106526419A (zh) * 2016-11-03 2017-03-22 河南工程学院 基于预测校正技术的配电网容错性在线故障定位方法
CN106779443A (zh) * 2016-12-26 2017-05-31 国网山东省电力公司泰安供电公司 电力调度中的操作风险确定方法和装置
CN107144752A (zh) * 2017-06-23 2017-09-08 国家电网公司 新型实时防窃电方法
CN107192920A (zh) * 2017-06-27 2017-09-22 国家电网公司 基于信息中转节点的电力监测方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112987693A (zh) * 2021-03-03 2021-06-18 上海天旦网络科技发展有限公司 智能故障诊断系统及方法
CN113792453A (zh) * 2021-08-26 2021-12-14 广东电网有限责任公司广州供电局 基于数字孪生的局部放电监测系统、方法和装置
CN113809747A (zh) * 2021-11-19 2021-12-17 长沙理工大学 一种配电网拓扑识别方法、电子设备及介质
CN115048591A (zh) * 2022-06-17 2022-09-13 四川高融软科信息技术有限公司 一种基于人工智能的配电网全息数据可视化智能展示分析系统
CN115048591B (zh) * 2022-06-17 2023-09-29 河北新大长远电力科技股份有限公司 一种基于人工智能的配电网全息数据可视化智能展示分析系统

Also Published As

Publication number Publication date
WO2019087101A1 (en) 2019-05-09
US11143685B2 (en) 2021-10-12
CN111295592B (zh) 2022-08-23
US20200256910A1 (en) 2020-08-13
EP3704502A1 (en) 2020-09-09

Similar Documents

Publication Publication Date Title
CN111295592B (zh) 用于电力网络中的异常检测的系统和方法
Foroutan et al. Detection of false data injection attacks against state estimation in smart grids based on a mixture Gaussian distribution learning method
Zanfei et al. Novel approach for burst detection in water distribution systems based on graph neural networks
Moslemi et al. A fast, decentralized covariance selection-based approach to detect cyber attacks in smart grids
JP6354755B2 (ja) システム分析装置、システム分析方法、及びシステム分析プログラム
Munir et al. Modeling and analysis of fault detection and fault tolerance in wireless sensor networks
US11002630B2 (en) Systems and methods for modeling, analyzing, detecting, and monitoring fluid networks
US11250177B2 (en) Systems and methods for modeling, analyzing, detecting, and monitoring fluid networks
Zhang et al. A data-driven approach to anomaly detection and vulnerability dynamic analysis for large-scale integrated energy systems
Jesus et al. Using machine learning for dependable outlier detection in environmental monitoring systems
Wang et al. Sensor data based system-level anomaly prediction for smart manufacturing
US20190228116A1 (en) Systems and methods for modeling, analyzing, detecting, and monitoring fluid networks
Ghosh Impact of situational awareness attributes for resilience assessment of active distribution networks using hybrid dynamic Bayesian multi criteria decision-making approach
Momtazpour et al. Analyzing invariants in cyber-physical systems using latent factor regression
Nakarmi et al. Analyzing power grids’ cascading failures and critical components using interaction graphs
Gupta et al. Probabilistic framework for evaluation of smart grid resilience of cascade failure
Arjannikov et al. Using markov chains to model sensor network reliability
Stergiopoulos et al. Interdependency analysis of junctions for congestion mitigation in transportation infrastructures
Presti et al. Combining clustering and regularised neural network for burst detection and localization and flow/pressure sensor placement in water distribution networks
Balakrishnan et al. Application of clustering algorithms for dimensionality reduction in infrastructure resilience prediction models
WO2014185921A1 (en) Systems and methods for meter placement in power grid networks
König et al. Stochastic dependencies between critical infrastructures
Akbarzadeh et al. Cyber-physical interdependencies in power plant systems: a review of cyber security risks
Avritzer et al. Assessing dependability and resilience in critical infrastructures: challenges and opportunities
Iranpour et al. A unified approach for reliability assessment of critical infrastructures using graph theory and entropy

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
GR01 Patent grant
GR01 Patent grant