-
公开(公告)号：CN118094133B
公开(公告)日：2024-10-01
申请号：CN202311716765.0
申请日：2023-12-13
Abstract: 本发明涉及一种针对安装在SG端的同步相量测量单元的故障检测方法，包括以下步骤：S1、获取系统的参数数据，所述系统包括同步发电机和同步相量测量单元；S2、基于所述系统的参数数据，构建包括执行器误差和传感器误差的线性系统状态空间模型；S3、基于所述线性系统状态空间模型，构建系统状态和同步相量测量单元的故障观测器估计传感器误差；S4、基于所述传感器误差值计算下一检测阶段的误差阈值，并返回步骤S2得到下一检测阶段的传感器误差值；S5、判断所述下一检测阶段的传感器误差值是否小于所述误差阈值，若是，则输出故障检测结果，若否，则返回步骤S4，直至故障检测完成。与现有技术相比，本发明具有检测准确高、抗干扰能力强等优点。
-
公开(公告)号：CN118094133A
公开(公告)日：2024-05-28
申请号：CN202311716765.0
申请日：2023-12-13
Abstract: 本发明涉及一种针对安装在SG端的同步向量测量单元的故障检测方法，包括以下步骤：S1、获取系统的参数数据，所述系统包括同步发电机和同步向量测量单元；S2、基于所述系统的参数数据，构建包括执行器误差和传感器误差的线性系统状态空间模型；S3、基于所述线性系统状态空间模型，构建系统状态和同步向量测量单元的故障观测器估计传感器误差；S4、基于所述传感器误差值计算下一检测阶段的误差阈值，并返回步骤S2得到下一检测阶段的传感器误差值；S5、判断所述下一检测阶段的传感器误差值是否小于所述误差阈值，若是，则输出故障检测结果，若否，则返回步骤S4，直至故障检测完成。与现有技术相比，本发明具有检测准确高、抗干扰能力强等优点。
-
公开(公告)号：CN119814354A
公开(公告)日：2025-04-11
申请号：CN202411732630.8
申请日：2024-11-29
IPC: H04L9/40 , H04L69/06 , H04L41/0631 , H04L43/062
Abstract: 本发明涉及一种基于多模态数据预训练模型的网络风险评估方法及系统。该方法首先采集多源网络安全数据，识别出其中的威胁事件对象，并将威胁事件对象串联为攻击链条，分析得到每条攻击链条的特征信息和主要攻击节点；并评估并生成该攻击链条的风险等级信息；整合以上信息，生成并持续记录网络安全态势报告；再预先构建网络安全态势知识库；最后将攻击链条的特征信息与网络安全态势知识库中的攻击链条数据进行匹配与比对，预测潜在的威胁影响，生成预警信息和防护策略建议。与现有技术相比，本发明具有不依赖预定义的规则、更适用于复杂化网络场景、提高网络安全态势感知的可靠性与准确性等优点。
-
公开(公告)号：CN119583096A
公开(公告)日：2025-03-07
申请号：CN202411466702.9
申请日：2024-10-21
IPC: H04L9/40 , G06N3/0455 , G06N3/09 , G06N3/096 , G06N5/04 , G06F18/2433
Abstract: 本发明涉及一种电力网络系统异常访问检测方法、设备和介质，包括以下步骤：获取电力网络系统数据，输入电力网络系统异常访问检测垂类模型，输出异常访问检测结果；电力网络系统异常访问检测垂类模型通过如下步骤获得：S1、获取电力网络安全语料数据并进行预处理，构建预训练数据集；S2、对大语言基座模型进行预训练，获得电力网络安全大语言模型；S3、基于电力网络系统异常访问检测任务对预训练数据集进行二次筛选，结合专家意见数据构建监督微调数据集；S4、对电力网络安全大语言模型进行微调，获得电力网络系统异常访问检测垂类模型。与现有技术相比，本发明可以提升在具有大量多模态数据的新型网络系统中准确检测各类异常访问行为的能力。
-
公开(公告)号：CN119179802A
公开(公告)日：2024-12-24
申请号：CN202411129516.6
申请日：2024-08-16
IPC: G06F16/901 , G06F18/2415 , G06Q50/06 , G06N3/0475 , G06N3/045 , G06N3/0455 , G06N3/042 , G06N3/0442 , G06N3/094
Abstract: 本发明涉及一种结构特征保持的电力数据静态图数据生成方法，包括以下步骤：获取电力数据，输入静态图数据生成模型，生成相应的静态图数据；所述静态图数据生成模型包括依次连接的采样模块、生成对抗网络和重构模块；其中，采样模块用于使用中心图采样方法对电力数据进行采样生成中心图；生成对抗网络包括生成器和判别器，生成器包括解码器和编码器，编码器用于通过基于多头自注意力机制构建的图自注意力网络对所述中心图进行编码；解码器用于解码编码器的输出，获得中心图得分矩阵；重构模块用于根据中心图得分矩阵生成静态图数据。与现有技术相比，本发明可以尽可能保留原始电力数据的结构特征，同时提高静态图数据的生成效率。
-
Patent Agency Ranking
公开(公告)号：CN117856216B
公开(公告)日：2024-10-18
申请号：CN202311715160.X
申请日：2023-12-13
IPC: H02J3/00
Abstract: 本发明涉及一种基于信任基础的智能电网弹性分布式状态估计方法及介质，该方法包括以下步骤：获取智能电网系统的相关信息；基于所述相关信息建立智能电网系统的状态空间模型；基于所述状态空间模型，建立信任基础的异常测量检测机制，获得异常测量的检测结果；基于所述检测结果，计算分布式状态估计器增益参数；基于所述分布式状态估计器增益参数构建分布式状态估计器，对智能电网系统分布式状态轨迹进行估计，得到智能电网系统的分布式状态轨迹估计值。与现有技术相比，本发明考虑异常值的检测与补偿，更满足实际工业的应用需求，提高估计精度。
-
公开(公告)号：CN117856216A
公开(公告)日：2024-04-09
申请号：CN202311715160.X
申请日：2023-12-13
IPC: H02J3/00
Abstract: 本发明涉及一种基于信任基础的智能电网弹性分布式状态估计方法及介质，该方法包括以下步骤：获取智能电网系统的相关信息；基于所述相关信息建立智能电网系统的状态空间模型；基于所述状态空间模型，建立信任基础的异常测量检测机制，获得异常测量的检测结果；基于所述检测结果，计算分布式状态估计器增益参数；基于所述分布式状态估计器增益参数构建分布式状态估计器，对智能电网系统分布式状态轨迹进行估计，得到智能电网系统的分布式状态轨迹估计值。与现有技术相比，本发明考虑异常值的检测与补偿，更满足实际工业的应用需求，提高估计精度。
-
公开(公告)号：CN119966673A
公开(公告)日：2025-05-09
申请号：CN202510009521.1
申请日：2025-01-02
Applicant: 国网上海市电力公司
IPC: H04L9/40
Abstract: 本申请提供一种基于潜在攻击路径的网络系统漏洞确定方法及装置，方法包括：根据网络系统构建对应的系统拓扑模型；对网络系统中的每一设备进行网络测试，得到漏洞测试结果；根据系统拓扑模型确定多个通信链路，并利用各漏洞测试结果对各通信链路进行贝叶斯推断计算，确定各通信链路分别对应的漏洞利用可行性值；依据各漏洞利用可行性值从各通信链路中确定潜在攻击路径；根据潜在攻击路径确定关键漏洞。本方法确定出被网络攻击成功可能性最大的潜在攻击路径，从潜在攻击路径中确定关键漏洞，能缩小确定关键漏洞的范围，基于关键漏洞进行漏洞修复，能够利用最高效的方式对网络系统进行漏洞修复，保障网络系统的安全。
-
公开(公告)号：CN119226983B
公开(公告)日：2025-02-21
申请号：CN202411730018.7
申请日：2024-11-29
Applicant: 国网上海市电力公司
IPC: G06F18/2433 , G06F18/2131 , G06F18/214 , G06N3/0455 , G06N3/0895 , G06N3/096 , G06F123/02
Abstract: 本发明属于数据分析技术领域，涉及一种基于大模型的电力时序数据异常检测方法、设备和介质，所述方法包括以下步骤：将待检测电力时序数据输入训练好的电力时序数据异常检测模型，输出检测结果；电力时序数据异常检测模型包括依次相连的小波分解模块、编码器模块和解码器模块，小波分解模块首先对电力时序数据进行小波分解，然后通过多头自注意力将各分量序列转化为等长的特征表示；解码器模块可微地计算编码器模块的输出与各历史备选模式之间的动态时间规整距离，据此计算各历史备选模式的贡献分数，聚合获得电力时序数据在各周期尺度上的特征表示，并通过逆小波变换输出。与现有技术相比，本发明可以提高电力时序数据异常检测结果的精确性。
-
公开(公告)号：CN119226983A
公开(公告)日：2024-12-31
申请号：CN202411730018.7
申请日：2024-11-29
Applicant: 国网上海市电力公司
IPC: G06F18/2433 , G06F18/2131 , G06F18/214 , G06N3/0455 , G06N3/0895 , G06N3/096 , G06F123/02
Abstract: 本发明属于数据分析技术领域，涉及一种基于大模型的电力时序数据异常检测方法、设备和介质，所述方法包括以下步骤：将待检测电力时序数据输入训练好的电力时序数据异常检测模型，输出检测结果；电力时序数据异常检测模型包括依次相连的小波分解模块、编码器模块和解码器模块，小波分解模块首先对电力时序数据进行小波分解，然后通过多头自注意力将各分量序列转化为等长的特征表示；解码器模块可微地计算编码器模块的输出与各历史备选模式之间的动态时间规整距离，据此计算各历史备选模式的贡献分数，聚合获得电力时序数据在各周期尺度上的特征表示，并通过逆小波变换输出。与现有技术相比，本发明可以提高电力时序数据异常检测结果的精确性。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.064 seconds)
