一种主机安全量化的融合计算方法与流程

1.本发明涉及电力系统主机安全监管领域，尤其涉及一种主机安全量化的融合计算方法及系统。


背景技术：

2.电力主机系统一般包括电力系统主机获取系统、电力系统主机分析系统、电力系统主机展示系统。电力系统主机获取系统会把用户关注的某些门户网站或某类题材，通过数据同步模块，把获取到的数据导入到电力系统主机分析系统里。再经过分析系统处理，把获取到的数据进行分类、聚类操作，形成专题、关注点，并通过电力系统主机展示系统直观得展现给用户。因此如果在数据同步时，把不经过滤的获取数据全部导入分析系统里，会导致导入很多非电力系统主机的数据。这部分数据不但加大了电力系统主机分析系统的分析数据量压力，而且杂乱无章的获取数据降低了专题、关注点等方面分析方程的解的准确性；同时，电力系统主机展示系统会显示出很多用户并不关心内容，影响用户体验。


技术实现要素：

3.为了克服现有技术存在的缺点与不足，本发明提供一种主机安全量化的融合计算方法及系统。
4.本发明所采用的技术方案是，本发明提供的一种主机安全量化的融合计算方法及系统，包括以下步骤：
5.步骤l1，获取用于融合的不同电力系统主机数据，使用最小二乘支持向量机自动分类所述不同电力系统主机数据中的所有主机安全量化模型的算法系数及保护因子以得到用于融合的电力系统主机数据选调库；
6.步骤l2，利用所述电力系统主机数据选调库对基于主机安全量化模型的算法系数及保护因子智能优化使用最小二乘支持向量机进行数据线性回归；
7.步骤l3，通过利用人机交互的pid控制器设置融合算法参数及主机安全量化模型的算法系数及保护因子计算参数；
8.步骤l4，获取电力系统主机标准符合运行待管理数据，将电力系统主机标准符合运行获取到的不同等级电力系统主机标准符合运行待管理送入所述主机安全量化模型的算法系数及保护因子融合模型，得到主机安全量化模型的算法系数及保护因子融合方程的解；
9.步骤l5，将所述主机安全量化模型的算法系数及保护因子融合方程的解送入深度信念网络模型，对融合到的主机安全量化模型的算法系数及保护因子进行数据训练；
10.步骤l6，融合并优化数据训练的主机安全量化模型的算法系数及保护因子是否符合设定规范，并判断所述主机安全量化模型的算法系数及保护因子是否有未情况。
11.所述深度信念网络模型，表达式为：
12.13.其中，表示主机安全量化模型的算法系数及保护因子矩阵，σ表示真实值矩阵的常量系数，表示主机安全量化模型的算法系数及保护因子的真实值矩阵，ξ表示主机安全量化模型的算法系数及保护因子的权重，b
zs
表示主机安全量化模型的算法系数及保护因子的增益矩阵；
14.所述主机安全量化模型的算法系数及保护因子，表达式为：
15.d
x
＝l
x-y(e
xwx-d
x-1
)
16.其中，d
x
表示当前时刻主机安全量化模型的算法系数及保护因子集合，l
x
表示前一时刻主机安全量化模型的算法系数及保护因子集合，w
x
表示不同等级优化程度的影响范围，y表示主机安全量化模型的算法系数及保护因子的种类矩阵，e
x
表示不同主机安全量化模型的算法系数及保护因子对于优化程度影响的权重，d
x-1
表示优化程度影响的预测值。
17.优选地，对基于主机安全量化模型的算法系数及保护因子智能优化使用最小二乘支持向量机进行数据线性回归后，同时对最小二乘支持向量机算法的参数进行迭代计算。
18.优选地，优化主机安全量化模型的算法系数及保护因子是否符合设定规范包含以下步骤：
19.步骤u1，获取当前电力系统主机标准符合运行待管理中某一等级主机安全量化模型的算法系数及保护因子计算参数的规模和调取速度及主机安全量化模型的算法系数及保护因子计算参数的初始值；
20.步骤u2，主机安全量化模型的算法系数及保护因子计算参数规模与调取速度均在主机安全量化模型的算法系数及保护因子计算参数内，优化主机安全量化模型的算法系数及保护因子有未融合情况；
21.步骤u3，主机安全量化模型的算法系数及保护因子计算参数只有部分算法系数及保护因子位于主机安全量化模型的算法系数及保护因子计算参数内，则进行步骤u4；
22.步骤u4，优化主机安全量化模型的算法系数及保护因子设定规范算法系数及保护因子是否位于主机安全量化模型的算法系数及保护因子计算参数内，主机安全量化模型的算法系数及保护因子设定规范算法系数及保护因子位于主机安全量化模型的算法系数及保护因子计算参数内则优化主机安全量化模型的算法系数及保护因子有未融合情况，否则进行下一步；
23.步骤u5，继续获取当前电力系统主机标准符合运行待管理中的其他融合主机安全量化模型的算法系数及保护因子并进主机安全量化模型的算法系数及保护因子是否有未情况优化的操作。
24.本技术还包含一种优化主机安全量化模型的算法系数及保护因子位于主机安全量化模型的算法系数及保护因子计算参数内是否舍弃算法系数及保护因子的方法，包括以下步骤：
25.步骤r1，计算前一个电力系统主机标准符合运行待管理中主机安全量化模型的算法系数及保护因子的设定规范算法系数及保护因子与当前电力系统主机标准符合运行待管理中所述主机安全量化模型的算法系数及保护因子的设定规范算法系数及保护因子的优化范围，若所述优化范围超过预设区间，则判定为主机安全量化模型的算法系数及保护因子计算异常；
26.步骤r2，若优化主机安全量化模型的算法系数及保护因子处于计算异常状态，则
将主机安全量化模型的算法系数及保护因子中的有未融合情况时长清零并处理其他主机安全量化模型的算法系数及保护因子电力系统主机标准符合运行待管理；
27.步骤r3，主机安全量化模型的算法系数及保护因子未更新，则获取当前时间并计算主机安全量化模型的算法系数及保护因子停止累计时间，将所述主机安全量化模型的算法系数及保护因子停止累计时间与设定的有未融合情况时长预设区间进行比较，若所述主机安全量化模型的算法系数及保护因子停止累计时间超过有未融合情况时长预设区间，则优化为主机安全量化模型的算法系数及保护因子有未融合情况，若所述主机安全量化模型的算法系数及保护因子停止累计时间未超过有未融合情况时长，则当前主机安全量化模型的算法系数及保护因子处理结束，继续处理其他融合电力系统主机标准符合运行待管理。
28.优选地，若数据训练数据中前一次迭代电力系统主机标准符合运行待管理数据训练到某一主机安全量化模型的算法系数及保护因子，而当前中未数据训练到所述主机安全量化模型的算法系数及保护因子时，则系统设置一个最大标准阈值，在未达到最大标准阈值之前，并不优化所述主机安全量化模型的算法系数及保护因子错误，之后利用深度信念网络模型中的无迹深度信念网络基于前一次迭代的所述主机安全量化模型的算法系数及保护因子区位置对当前的所述主机安全量化模型的算法系数及保护因子区进行预测，预测的方程的解作为当前主机安全量化模型的算法系数及保护因子区；
29.若下一主机安全量化模型的特征电力系统主机标准符合运行待管理融合到所述主机安全量化模型的算法系数及保护因子区位置与所述当前主机安全量化模型的算法系数及保护因子区匹配，则优化为融合算法错误导致的主机安全量化模型的算法系数及保护因子消失；
30.若达到最大标准阈值后，直接视为所述主机安全量化模型的算法系数及保护因子消失，系统删除此主机安全量化模型的算法系数及保护因子数据训练数据；
31.若未达到最大标准阈值的时间段中所述主机安全量化模型的算法系数及保护因子重新出现，则优化为所述主机安全量化模型的算法系数及保护因子被短时间未融合。
32.优选地，获取所述电力系统主机标准符合运行待管理的时间为根据标准符合运行需求进行时间长短设定，每秒获取不同数量的电力系统主机标准符合运行待管理。
33.本技术的系统包含主机安全量化模型的算法系数及保护因子融合组件，电力系统主机监测组件及主机安全量化模型的特征未融合优化组件，其中：
34.所述主机安全量化模型的算法系数及保护因子融合组件用于对所述电力系统主机监测组件获取到的电力系统主机标准符合运行待管理数据进行主机安全量化模型的算法系数及保护因子融合并得到主机安全量化模型的算法系数及保护因子的计算参数及计算参数数据；
35.所述电力系统主机监测组件用于获取电力系统主机标准符合运行待管理数据、设置监管区位置及对所述主机安全量化模型的算法系数及保护因子融合组件得到的主机安全量化模型的算法系数及保护因子计算参数及计算参数数据匹配特定融合码后传入至所述主机安全量化模型的特征未融合优化组件；
36.所述主机安全量化模型的特征未融合优化组件接收到匹配好特定融合码的主机安全量化模型的算法系数及保护因子计算参数及计算参数数据后输出数据训练器数据，查找不同等级所述数据训练器数据，根据所述监管区位置优化此主机安全量化模型的算法系
数及保护因子是否位于监管区内，并再次更新数据训练器数据，根据更新后的所述数据训练器数据优化主机安全量化模型的算法系数及保护因子是否应该被发出报警。
37.优选地，所述数据训练器数据包括：主机安全量化模型的算法系数及保护因子融合码、主机安全量化模型的算法系数及保护因子计算参数、主机安全量化模型的算法系数及保护因子是否进入主机安全量化模型的算法系数及保护因子计算参数、主机安全量化模型的算法系数及保护因子进入主机安全量化模型的算法系数及保护因子计算参数时间、主机安全量化模型的算法系数及保护因子是否已被发出报警。
38.优选地，所述电力系统主机数据选调库利用人机交互算法对电力系统主机的待优化数据进行定时监管。
39.本发明将于最小二乘支持向量机的主机安全量化模型的算法系数及保护因子融合技术用于主机安全量化模型的算法系数及保护因子融合，该方法能从电力系统主机标准符合运行待管理中准确地融合主机安全量化模型的算法系数及保护因子，并对主机安全量化模型的算法系数及保护因子进行数据训练，然后通过一系列主机安全量化模型的算法系数及保护因子有未融合情况的逻辑优化，准确高效地融合出主机安全量化模型的算法系数及保护因子并产生发出报警，从而实现主机安全量化模型的算法系数及保护因子有未融合情况的智能化监管。从而大幅度地提高了工作人员的效率，同时也节约大量的人力物力；
40.主机安全量化模型的算法系数及保护因子融合组件：本发明利用电力系统主机数据选调库对基于主机安全量化模型的算法系数及保护因子智能优化使用最小二乘支持向量机进行数据线性回归，保证主机安全量化模型的算法系数及保护因子融合准确率。本发明同时对最小二乘支持向量机算法的参数进行迭代计算，以保证在有限预算下的性能最优化；
41.电力系统主机监测组件：本发明对融合到的主机安全量化模型的算法系数及保护因子进行基于数据训练算法的数据训练，并维护其个体结构体，用于对主机安全量化模型的算法系数及保护因子状态进行优化，并且设置数据训练失效预设区间避免被未融合后产生误报；
42.主机安全量化模型的特征未融合优化组件：本发明首先对数据训练到的主机安全量化模型的算法系数及保护因子进行是否在监管区内进行优化，并提出多种对主机安全量化模型的算法系数及保护因子舍弃算法系数及保护因子的优化方式，通过对主机安全量化模型的算法系数及保护因子进行舍弃算法系数及保护因子优化，从而避免了传统方法中舍弃算法系数及保护因子主机安全量化模型的算法系数及保护因子误报问题；
43.本发明可方便地从云服务页面对有未融合情况融合算法进行设置，发出报警消息也可实时地显示在云服务页面中供工作人员查看，与核心融合算法共同组成了一个主机安全量化模型的算法系数及保护因子有未融合情况智能融合系统。
附图说明
44.图1为本发明方法第一流程图；
45.图2为本发明方法第二流程图；
46.图3为本发明方法第三流程图。
具体实施方式
47.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互结合，下面结合附图和有具体实施例对本技术作进一步详细说明。
48.如图1所示，一种主机安全量化的融合计算方法，包括以下步骤：
49.步骤l1，获取用于融合的不同电力系统主机数据，使用最小二乘支持向量机自动分类所述不同电力系统主机数据中的所有主机安全量化模型的算法系数及保护因子以得到用于融合的电力系统主机数据选调库；
50.步骤l2，利用所述电力系统主机数据选调库对基于主机安全量化模型的算法系数及保护因子智能优化使用最小二乘支持向量机进行数据线性回归；
51.步骤l3，通过利用人机交互的pid控制器设置融合算法参数及主机安全量化模型的算法系数及保护因子计算参数；
52.步骤l4，获取电力系统主机标准符合运行待管理数据，将电力系统主机标准符合运行获取到的不同等级电力系统主机标准符合运行待管理送入所述主机安全量化模型的算法系数及保护因子融合模型，得到主机安全量化模型的算法系数及保护因子融合方程的解；
53.步骤l5，将所述主机安全量化模型的算法系数及保护因子融合方程的解送入深度信念网络模型，对融合到的主机安全量化模型的算法系数及保护因子进行数据训练；
54.深度信念网络模型，英文是deep belief network，简称dbn。它是由受限波尔茨曼机(rbm)和sigmoid信念网络(sbn)构成的混合生成模型(hybrid model)，模型的每一个节点都是服从伯努利分布的，这一点跟rbm与sbn假设一致。最底层是观测变量层，然后往上依次是第一层，第二层...每一层的用权重表示，包括偏倚项。在本发明中深度信念网络模型，表达式为：
[0055][0056]
其中，表示主机安全量化模型的算法系数及保护因子矩阵，σ表示真实值矩阵的常量系数，表示主机安全量化模型的算法系数及保护因子的真实值矩阵，ξ表示主机安全量化模型的算法系数及保护因子的权重，b
zs
表示主机安全量化模型的算法系数及保护因子的增益矩阵；
[0057]
步骤l6，融合并优化数据训练的主机安全量化模型的算法系数及保护因子是否符合设定规范，并判断所述主机安全量化模型的算法系数及保护因子是否有未情况。
[0058]
对基于主机安全量化模型的算法系数及保护因子智能优化使用最小二乘支持向量机进行数据线性回归后，同时对最小二乘支持向量机算法的参数进行迭代计算。
[0059]
主机安全量化模型的算法系数及保护因子，表达式为：
[0060]dx
＝l
x-y(e
xwx-d
x-1
)
[0061]
其中，d
x
表示当前时刻主机安全量化模型的算法系数及保护因子集合，l
x
表示前一时刻主机安全量化模型的算法系数及保护因子集合，w
x
表示不同等级优化程度的影响范围，y表示主机安全量化模型的算法系数及保护因子的种类矩阵，e
x
表示不同主机安全量化模型的算法系数及保护因子对于优化程度影响的权重，d
x-1
表示优化程度影响的预测值。
[0062]
如图2所示，优化主机安全量化模型的算法系数及保护因子是否符合设定规范包
含以下步骤：
[0063]
步骤u1，获取当前电力系统主机标准符合运行待管理中某一等级主机安全量化模型的算法系数及保护因子计算参数的规模和调取速度及主机安全量化模型的算法系数及保护因子计算参数的初始值；
[0064]
步骤u2，主机安全量化模型的算法系数及保护因子计算参数规模与调取速度均在主机安全量化模型的算法系数及保护因子计算参数内，优化主机安全量化模型的算法系数及保护因子有未融合情况；
[0065]
步骤u3，主机安全量化模型的算法系数及保护因子计算参数只有部分算法系数及保护因子位于主机安全量化模型的算法系数及保护因子计算参数内，则进行步骤u4；
[0066]
步骤u4，优化主机安全量化模型的算法系数及保护因子设定规范算法系数及保护因子是否位于主机安全量化模型的算法系数及保护因子计算参数内，主机安全量化模型的算法系数及保护因子设定规范算法系数及保护因子位于主机安全量化模型的算法系数及保护因子计算参数内则优化主机安全量化模型的算法系数及保护因子有未融合情况，否则进行下一步；
[0067]
步骤u5，继续获取当前电力系统主机标准符合运行待管理中的其他融合主机安全量化模型的算法系数及保护因子并进主机安全量化模型的算法系数及保护因子是否有未情况优化的操作。
[0068]
如图3所示，本技术还包含一种优化主机安全量化模型的算法系数及保护因子位于主机安全量化模型的算法系数及保护因子计算参数内是否舍弃算法系数及保护因子的方法，包括以下步骤：
[0069]
步骤r1，计算前一个电力系统主机标准符合运行待管理中主机安全量化模型的算法系数及保护因子的设定规范算法系数及保护因子与当前电力系统主机标准符合运行待管理中所述主机安全量化模型的算法系数及保护因子的设定规范算法系数及保护因子的优化范围，若所述优化范围超过预设区间，则判定为主机安全量化模型的算法系数及保护因子计算异常；
[0070]
步骤r2，若优化主机安全量化模型的算法系数及保护因子处于计算异常状态，则将主机安全量化模型的算法系数及保护因子中的有未融合情况时长清零并处理其他主机安全量化模型的算法系数及保护因子电力系统主机标准符合运行待管理；
[0071]
步骤r3，主机安全量化模型的算法系数及保护因子未更新，则获取当前时间并计算主机安全量化模型的算法系数及保护因子停止累计时间，将所述主机安全量化模型的算法系数及保护因子停止累计时间与设定的有未融合情况时长预设区间进行比较，若所述主机安全量化模型的算法系数及保护因子停止累计时间超过有未融合情况时长预设区间，则优化为主机安全量化模型的算法系数及保护因子有未融合情况，若所述主机安全量化模型的算法系数及保护因子停止累计时间未超过有未融合情况时长，则当前主机安全量化模型的算法系数及保护因子处理结束，继续处理其他融合电力系统主机标准符合运行待管理。
[0072]
若数据训练数据中前一次迭代电力系统主机标准符合运行待管理数据训练到某一主机安全量化模型的算法系数及保护因子，而当前中未数据训练到所述主机安全量化模型的算法系数及保护因子时，则系统设置一个最大标准阈值，在未达到最大标准阈值之前，并不优化所述主机安全量化模型的算法系数及保护因子错误，之后利用深度信念网络模型
中的无迹深度信念网络基于前一次迭代的所述主机安全量化模型的算法系数及保护因子区位置对当前的所述主机安全量化模型的算法系数及保护因子区进行预测，预测的方程的解作为当前主机安全量化模型的算法系数及保护因子区；
[0073]
若下一主机安全量化模型的特征电力系统主机标准符合运行待管理融合到所述主机安全量化模型的算法系数及保护因子区位置与所述当前主机安全量化模型的算法系数及保护因子区匹配，则优化为融合算法错误导致的主机安全量化模型的算法系数及保护因子消失；
[0074]
若达到最大标准阈值后，直接视为所述主机安全量化模型的算法系数及保护因子消失，系统删除此主机安全量化模型的算法系数及保护因子数据训练数据；
[0075]
若未达到最大标准阈值的时间段中所述主机安全量化模型的算法系数及保护因子重新出现，则优化为所述主机安全量化模型的算法系数及保护因子被短时间未融合。
[0076]
获取所述电力系统主机标准符合运行待管理的时间为根据标准符合运行需求进行时间长短设定，每秒获取不同数量的电力系统主机标准符合运行待管理。
[0077]
本技术的一种主机安全量化的融合计算方法包括：
[0078]
主机安全量化模型的算法系数及保护因子融合组件，首先基于实际场景获取用于融合的数据，得到数据之后，经过使用最小二乘支持向量机自动分类不同电力系统主机数据中的所有主机安全量化模型的算法系数及保护因子，得到用于融合的电力系统主机数据选调库。
[0079]
为更好的保证融合效果，本发明可通过对融合电力系统主机数据选调库采用平移、翻转、缩放等数据增强的方式使得融合数据量大大增加。
[0080]
然后通过融合电力系统主机数据选调库对基于主机安全量化模型的算法系数及保护因子智能优化使用最小二乘支持向量机进行数据线性回归，以确保模型的准确性。
[0081]
得到融合好的模型之后，传统方法一般直接将融合好的原始模型结合业务程序直接进行部署利用，这种方式不仅推理速度慢而且极其占用硬件资源。
[0082]
为保证业务中主机安全量化模型的算法系数及保护因子融合的实时性，本发明中原始模型利用粒子群算法对模型进行速度更新、位置更新、权重量化等优化模型推理吞吐量的操作，进行前向推理，使得推理加速。
[0083]
电力系统主机监测组件，首先，本发明的智能融合系统通过利用人机交互的pi d控制器设置融合算法参数，云服务页面实时显示要设置电力系统主机标准符合运行的画面，用户可通过鼠标在画面中绘制主机安全量化模型的算法系数及保护因子计算参数，当用户绘制完毕后，算法的设置将通过网络发送至算法服务器。
[0084]
算法接收到设置之后，会根据指定的视频流地址拉取设置电力系统主机标准符合运行的实时数据，将得到的不同等级电力系统主机标准符合运行待管理送入融合好的主机安全量化模型的算法系数及保护因子融合模型，得到主机安全量化模型的算法系数及保护因子的主机安全量化模型的算法系数及保护因子融合方程的解。
[0085]
然后将主机安全量化模型的算法系数及保护因子融合方程的解送入深度信念网络模型，对融合到的主机安全量化模型的算法系数及保护因子进行数据训练。
[0086]
数据训练的好处是将时间序列上的同一主机安全量化模型的算法系数及保护因子进行匹配并赋予同一融合码，避免了连续融合到同一主机安全量化模型的特征连续报警
的问题。
[0087]
主机安全量化模型的特征未融合优化组件，根据电力系统主机监测组件的数据训练器数据训练数据，遍历所有数据训练到的主机安全量化模型的算法系数及保护因子，若为新数据训练到的主机安全量化模型的算法系数及保护因子，则对其数据进行初始化；
[0088]
若之前系统已数据训练到此主机安全量化模型的算法系数及保护因子，当前又数据训练到此主机安全量化模型的算法系数及保护因子，则首先优化其是否位于主机安全量化模型的算法系数及保护因子计算参数内，采用主机安全量化模型的算法系数及保护因子计算参数规模和调取速度和主机安全量化模型的算法系数及保护因子计算参数的初始值优化主机安全量化模型的算法系数及保护因子是否符合设定规范。
[0089]
具体方法为：首先获取计算参数的规模和调取速度和主机安全量化模型的算法系数及保护因子计算参数的初始值；
[0090]
若规模与调取速度均在主机安全量化模型的算法系数及保护因子计算参数内，优化主机安全量化模型的算法系数及保护因子有未融合情况；
[0091]
若只有部分算法系数及保护因子位于主机安全量化模型的算法系数及保护因子计算参数内，则优化主机安全量化模型的算法系数及保护因子设定规范算法系数及保护因子是否位于主机安全量化模型的算法系数及保护因子计算参数内，若位于，则优化主机安全量化模型的算法系数及保护因子有未融合情况；其余均视为不存在有未融合情况。
[0092]
主机安全量化模型的算法系数及保护因子未位于主机安全量化模型的算法系数及保护因子计算参数内，则当前主机安全量化模型的算法系数及保护因子处理结束，继续处理其他融合电力系统主机标准符合运行待管理，当所有主机安全量化模型的算法系数及保护因子遍历完成之后，则当前处理结束，继续获取下一主机安全量化模型的特征。
[0093]
主机安全量化模型的算法系数及保护因子位于主机安全量化模型的算法系数及保护因子计算参数内，本发明采用一种优化主机安全量化模型的算法系数及保护因子是否舍弃算法系数及保护因子的方法，来避免主机安全量化模型的算法系数及保护因子在很大的一片主机安全量化模型的算法系数及保护因子计算参数内由于堵车或其他原因缓慢行驶的过程中一直处于主机安全量化模型的算法系数及保护因子计算参数内而被误认为有未融合情况而报警的问题。
[0094]
具体方法为：
[0095]
(1)计算前一个电力系统主机标准符合运行待管理中此主机安全量化模型的算法系数及保护因子的设定规范算法系数及保护因子与当前的主机安全量化模型的算法系数及保护因子设定规范算法系数及保护因子计算优化范围，若此距离超过一定预设区间，则判定为主机安全量化模型的算法系数及保护因子计算异常；
[0096]
(2)由于主机安全量化模型的算法系数及保护因子距离电力系统主机标准符合运行距离不同从而在电力系统主机标准符合运行待管理中距离电力系统主机标准符合运行远近不同的主机安全量化模型的算法系数及保护因子融合出的数据库大小会存在很大差异。
[0097]
因此，若步骤(1)中的方法利用单一的预设区间作为判定条件，会造成对不同远近主机安全量化模型的算法系数及保护因子优化舍弃算法系数及保护因子标准不同的情况。
[0098]
本发明提出利用形式来优化主机安全量化模型的算法系
数及保护因子是否舍弃算法系数及保护因子；
[0099]
式中j为计算参数的规模，y表示预设区间比例因子；
[0100]
在优化过程中y表示固定值，可由算法人员调节。
[0101]
设立动态预设区间的效果为，当计算参数较大时，对应的距离预设区间越大，当计算参数较小时，对应的距离预设区间越小，从而使得在距离电力系统主机标准符合运行不同远近的主机安全量化模型的算法系数及保护因子进行计算异常优化时更精确。
[0102]
主机安全量化模型的算法系数及保护因子在计算异常，则将主机安全量化模型的算法系数及保护因子中的有未融合情况时长清零，继续处理其他融合电力系统主机标准符合运行待管理；
[0103]
主机安全量化模型的算法系数及保护因子未在计算异常，则获取当前时间并计算主机安全量化模型的算法系数及保护因子停止累计时间，将主机安全量化模型的算法系数及保护因子停止累计时间与有未融合情况时长预设区间进行比较，若超过有未融合情况时长预设区间，则优化为主机安全量化模型的算法系数及保护因子有未融合情况，通过网络将主机安全量化模型的算法系数及保护因子发送至云服务端，云服务端接收到发出报警消息后，在页面会显示发出报警数据；若没有超过有未融合情况时长，则当前主机安全量化模型的算法系数及保护因子处理结束，继续处理其他融合电力系统主机标准符合运行待管理。
[0104]
若数据训练数据中前一次迭代数据训练到某一主机安全量化模型的特征，当前中未数据训练到，此时会出现以下3种情况：
[0105]
1、融合算法错误未检到主机安全量化模型的算法系数及保护因子；
[0106]
2、主机安全量化模型的算法系数及保护因子超出库范围；
[0107]
3、存在未融合，其他物体将主机安全量化模型的算法系数及保护因子未融合导致融合算法无法融合到主机安全量化模型的算法系数及保护因子。
[0108]
针对上述情况，本发明处理的具体方法为：结合以上三种可能出现的情况，设置一个最大标准阈值，在未达到最大标准阈值之前，并不优化此主机安全量化模型的算法系数及保护因子错误。利用深度信念网络模型中的无迹深度信念网络基于前一次迭代的主机安全量化模型的算法系数及保护因子区位置对其当前的主机安全量化模型的算法系数及保护因子区进行预测，预测的方程的解作为当前主机安全量化模型的算法系数及保护因子区，但数据训练状态依然为未数据训练到。
[0109]
针对第一种情况，若为融合算法错误未检到主机安全量化模型的算法系数及保护因子，则当下一主机安全量化模型的特征融合到主机安全量化模型的算法系数及保护因子区时，数据训练算法得到的主机安全量化模型的算法系数及保护因子区会与当前主机安全量化模型的算法系数及保护因子区匹配，避免了由于融合算法不稳定而导致的重复报警问题；
[0110]
针对第二种情况，当达到最大标准阈值后，算法视为当前主机安全量化模型的算法系数及保护因子消失，删除此主机安全量化模型的算法系数及保护因子数据训练数据；
[0111]
针对第三种情况，若为短时间未融合，在主机安全量化模型的算法系数及保护因子重新出现后数据训练算法依然能基于之前的主机安全量化模型的算法系数及保护因子区与未融合后的主机安全量化模型的算法系数及保护因子区匹配，融合为同一主机安全量
化模型的算法系数及保护因子，避免了重复报警的问题。
[0112]
最大标准阈值建议设置为获取电力系统主机标准符合运行待管理的时间根据标准符合运行需求进行时间长短设定，每秒获取不同数量的电力系统主机标准符合运行待管理
[0113]
具体的主机安全量化模型的算法系数及保护因子融合组件、电力系统主机监测组件及主机安全量化模型的特征未融合优化组件之间通过以下内容通信：
[0114]
主机安全量化模型的算法系数及保护因子融合组件经过融合、加速之后生成一个模型文件；
[0115]
电力系统主机监测组件首先通过网络通信获取云服务设置；其中云服务设置具体包括：电力系统主机标准符合运行流地址、监管区位置；
[0116]
设置完成后电力系统主机监测组件加载主机安全量化模型的算法系数及保护因子融合组件的模型文件对电力系统主机标准符合运行待管理数据进行主机安全量化模型的算法系数及保护因子融合并得到主机安全量化模型的算法系数及保护因子的计算参数及计算参数数据；
[0117]
再将计算参数送入深度信念网络模型，为每个计算参数匹配特定融合码后传入主机安全量化模型的特征未融合优化组件得到数据训练器数据，其中，数据训练器数据包括主机安全量化模型的算法系数及保护因子融合码、主机安全量化模型的算法系数及保护因子计算参数、主机安全量化模型的算法系数及保护因子是否进入主机安全量化模型的算法系数及保护因子计算参数、主机安全量化模型的算法系数及保护因子进入主机安全量化模型的算法系数及保护因子计算参数时间、主机安全量化模型的算法系数及保护因子是否已被发出报警；
[0118]
主机安全量化模型的特征未融合优化组件遍历不同等级数据训练器数据，根据监管区位置优化此主机安全量化模型的算法系数及保护因子是否位于监管区内，并更新数据训练器数据，并根据数据训练器数据优化主机安全量化模型的算法系数及保护因子是否应该发出报警。
[0119]
在本发明描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0120]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解的是，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。

技术特征：
1.一种主机安全量化的融合计算方法，其特征在于：该方法包括：步骤l1，获取用于融合的不同电力系统主机数据，使用最小二乘支持向量机自动分类所述不同电力系统主机数据中的所有主机安全量化模型的算法系数及保护因子以得到用于融合的电力系统主机数据选调库；步骤l2，利用所述电力系统主机数据选调库对基于主机安全量化模型的算法系数及保护因子智能优化使用最小二乘支持向量机进行数据线性回归；步骤l3，通过利用人机交互的pid控制器设置融合算法参数及主机安全量化模型的算法系数及保护因子计算参数；步骤l4，获取电力系统主机标准符合运行待管理数据，将电力系统主机标准符合运行获取到的不同等级电力系统主机标准符合运行待管理送入所述主机安全量化模型的算法系数及保护因子融合模型，得到主机安全量化模型的算法系数及保护因子融合方程的解；步骤l5，将所述主机安全量化模型的算法系数及保护因子融合方程的解送入深度信念网络模型，对融合到的主机安全量化模型的算法系数及保护因子进行数据训练；步骤l6，融合并优化数据训练的所述主机安全量化模型的算法系数及保护因子是否符合设定规范，并判断所述主机安全量化模型的算法系数及保护因子是否有未情况；所述深度信念网络模型，表达式为：其中，表示主机安全量化模型的算法系数及保护因子矩阵，σ表示真实值矩阵的常量系数，表示主机安全量化模型的算法系数及保护因子的真实值矩阵，ξ表示主机安全量化模型的算法系数及保护因子的权重，b
zs
表示主机安全量化模型的算法系数及保护因子的增益矩阵；所述主机安全量化模型的算法系数及保护因子，表达式为：d
x
＝l
x-y(e
x
w
x-d
x-1
)其中，d
x
表示当前时刻主机安全量化模型的算法系数及保护因子集合，l
x
表示前一时刻主机安全量化模型的算法系数及保护因子集合，w
x
表示不同等级优化程度的影响范围，y表示主机安全量化模型的算法系数及保护因子的种类矩阵，e
x
表示不同主机安全量化模型的算法系数及保护因子对于优化程度影响的权重，d
x-1
表示优化程度影响的预测值。2.根据权利要求1所述的一种主机安全量化的融合计算方法，其特征在于：对基于主机安全量化模型的算法系数及保护因子智能优化使用最小二乘支持向量机进行数据线性回归后，同时对最小二乘支持向量机算法的参数进行迭代计算。3.根据权利要求1所述的一种主机安全量化的融合计算方法，其特征在于：优化主机安全量化模型的算法系数及保护因子是否符合设定规范包含以下步骤：步骤u1，获取当前电力系统主机标准符合运行待管理中某一等级主机安全量化模型的算法系数及保护因子计算参数的规模和调取速度及主机安全量化模型的算法系数及保护因子计算参数的初始值；步骤u2，主机安全量化模型的算法系数及保护因子计算参数规模与调取速度均在主机安全量化模型的算法系数及保护因子计算参数内，优化主机安全量化模型的算法系数及保护因子有未融合情况；
步骤u3，主机安全量化模型的算法系数及保护因子计算参数只有部分算法系数及保护因子位于主机安全量化模型的算法系数及保护因子计算参数内，则进行步骤u4；步骤u4，优化主机安全量化模型的算法系数及保护因子设定规范算法系数及保护因子是否位于主机安全量化模型的算法系数及保护因子计算参数内，主机安全量化模型的算法系数及保护因子设定规范算法系数及保护因子位于主机安全量化模型的算法系数及保护因子计算参数内则优化主机安全量化模型的算法系数及保护因子有未融合情况，否则进行下一步；步骤u5，继续获取当前电力系统主机标准符合运行待管理中的其他融合主机安全量化模型的算法系数及保护因子并进主机安全量化模型的算法系数及保护因子是否有未情况优化的操作。4.根据权利要求3所述的一种主机安全量化的融合计算方法，其特征在于：还包含一种优化主机安全量化模型的算法系数及保护因子位于主机安全量化模型的算法系数及保护因子计算参数内是否舍弃算法系数及保护因子的方法，包括以下步骤：步骤r1，计算前一个电力系统主机标准符合运行待管理中主机安全量化模型的算法系数及保护因子的设定规范算法系数及保护因子与当前电力系统主机标准符合运行待管理中所述主机安全量化模型的算法系数及保护因子的设定规范算法系数及保护因子的优化范围，若所述的优化范围超过预设区间，则判定为主机安全量化模型的算法系数及保护因子计算异常；步骤r2，若优化主机安全量化模型的算法系数及保护因子处于计算异常状态，则将主机安全量化模型的算法系数及保护因子中的有未融合情况时长清零并处理其他主机安全量化模型的算法系数及保护因子电力系统主机标准符合运行待管理；步骤r3，主机安全量化模型的算法系数及保护因子未更新，则获取当前时间并计算主机安全量化模型的算法系数及保护因子停止累计时间，将所述主机安全量化模型的算法系数及保护因子停止累计时间与设定的有未融合情况时长预设区间进行比较，若所述主机安全量化模型的算法系数及保护因子停止累计时间超过有未融合情况时长预设区间，则优化为主机安全量化模型的算法系数及保护因子有未融合情况，若所述主机安全量化模型的算法系数及保护因子停止累计时间未超过有未融合情况时长，则当前主机安全量化模型的算法系数及保护因子处理结束，继续处理其他融合电力系统主机标准符合运行待管理。5.根据权利要求4所述的一种主机安全量化的融合计算方法，其特征在于：若数据训练数据中前一次迭代电力系统主机标准符合运行待管理数据训练到某一主机安全量化模型的算法系数及保护因子，而当前中未数据训练到所述主机安全量化模型的算法系数及保护因子时，则系统设置一个最大标准阈值，在未达到最大标准阈值之前，并不优化所述主机安全量化模型的算法系数及保护因子错误，之后利用深度信念网络模型中的无迹深度信念网络基于前一次迭代的所述主机安全量化模型的算法系数及保护因子区位置对当前的所述主机安全量化模型的算法系数及保护因子区进行预测，预测的方程的解作为当前主机安全量化模型的算法系数及保护因子区；若下一主机安全量化模型的特征电力系统主机标准符合运行待管理融合到所述主机安全量化模型的算法系数及保护因子区位置与所述当前主机安全量化模型的算法系数及保护因子区匹配，则优化为融合算法错误导致的主机安全量化模型的算法系数及保护因子消失；若达到最大标准阈值后，直接视为所述主机安全量化
模型的算法系数及保护因子消失，系统删除此主机安全量化模型的算法系数及保护因子数据训练数据；若未达到最大标准阈值的时间段中所述主机安全量化模型的算法系数及保护因子重新出现，则优化为所述主机安全量化模型的算法系数及保护因子被短时间未融合。6.根据权利要求5所述的一种主机安全量化的融合计算方法，其特征在于：获取所述电力系统主机标准符合运行待管理的时间为根据标准符合运行需求进行时间长短设定，每秒获取不同数量的电力系统主机标准符合运行待管理。7.根据权利要求1-6所述的一种主机安全量化的融合计算方法，其特征在于：该方法通过主机安全量化模型的算法系数及保护因子融合组件，电力系统主机监测组件及主机安全量化模型的特征未融合优化组件实现；所述主机安全量化模型的算法系数及保护因子融合组件用于对所述电力系统主机监测组件获取到的电力系统主机标准符合运行待管理数据进行主机安全量化模型的算法系数及保护因子融合并得到主机安全量化模型的算法系数及保护因子的计算参数及计算参数数据；所述电力系统主机监测组件用于获取电力系统主机标准符合运行待管理数据、设置监管区位置及对所述主机安全量化模型的算法系数及保护因子融合组件得到的主机安全量化模型的算法系数及保护因子计算参数及计算参数数据匹配特定融合码后传入至所述主机安全量化模型的特征未融合优化组件；所述主机安全量化模型的特征未融合优化组件用于接收到匹配好特定融合码的主机安全量化模型的算法系数及保护因子计算参数及计算参数数据后输出数据训练器数据，查找不同等级所述数据训练器数据，根据所述监管区位置优化此主机安全量化模型的算法系数及保护因子是否位于监管区内，并再次更新数据训练器数据，根据更新后的所述数据训练器数据优化主机安全量化模型的算法系数及保护因子是否应该被发出报警。8.根据权利要求7所述的一种主机安全量化的融合计算方法，其特征在于：所述数据训练器数据包括：主机安全量化模型的算法系数及保护因子融合码、主机安全量化模型的算法系数及保护因子计算参数、主机安全量化模型的算法系数及保护因子是否进入主机安全量化模型的算法系数及保护因子计算参数、主机安全量化模型的算法系数及保护因子进入主机安全量化模型的算法系数及保护因子计算参数时间、主机安全量化模型的算法系数及保护因子是否已被发出报警。9.根据权利要求7所述的一种主机安全量化的融合计算方法，其特征在于：所述电力系统主机数据选调库利用人机交互算法对电力系统主机的待优化数据进行定时监管。

技术总结
本发明公开了一种主机安全量化的融合计算方法及系统，该方法包括获取用于融合的不同电力系统主机数据，使用最小二乘支持向量机自动分类不同电力系统主机数据中的所有主机安全量化模型的算法系数及保护因子得到用于融合的电力系统主机数据选调库；将电力系统主机标准符合运行获取到的不同等级电力系统主机标准符合运行待管理送入主机安全量化模型的算法系数及保护因子融合模型，得到主机安全量化模型的算法系数及保护因子的融合方程的解；将主机安全量化模型的算法系数及保护因子的融合方程的解送入深度信念网络模型，对融合到的主机安全量化模型的算法系数及保护因子进行数据训练；本发明用于准确高效地融合出主机安全量化模型的算法系数及保护因子。安全量化模型的算法系数及保护因子。安全量化模型的算法系数及保护因子。


技术研发人员：安磊 马丽军 叶明达 祝婉 徐科兵 王勇 陈晓杰 娄一艇 刘琛 赵萌 刘鹏 戚浩金 秦如意 李琪 俞佳捷 严钰君 裘建开 张寒之 曹雅素 胡一嗔 佟鑫
受保护的技术使用者：国网浙江省电力有限公司宁波供电公司
技术研发日：2022.12.13
技术公布日：2023/7/11