电力系统的安全评估方法、装置、计算机设备和存储介质与流程

1.本技术涉及电力系统技术领域，特别是涉及一种电力系统的安全评估方法、装置、计算机设备和存储介质。


背景技术：

2.随着电力系统的发展，电网的结构越来越复杂。近年来世界范围内的多次大面积停电事故给社会造成了巨大的经济损失，因此，应该加强对电网安全问题的研究。
3.电网安全问题的研究主要是通过对电网进行安全评估，快速准确地给出电网在当前运行状态下所处的安全等级，根据评估得到的安全等级来制定相应的控制策略，保障电力系统的安全运行。因此，安全评估对于电网安全问题的研究具有重大意义。
4.现有技术对电力系统的安全评估方法主要通过单一的目标进行评估，因此，现有技术对电力系统的评估方法较为单一，无法对电力系统进行准确地评估。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够准确地评估电力系统的电力系统的安全评估方法、装置、计算机设备和存储介质。
6.一种电力系统的安全评估方法，所述方法包括：
7.获取电力系统的安全评估指标；所述安全评估指标包括故障严重度、故障发生概率和异常检测时间中的至少两个；
8.针对各所述安全评估指标，计算与所述安全评估指标对应的目标向量；所述目标向量用于表征所述安全评估指标的安全评估结果；
9.根据与各所述安全评估指标对应的目标向量，计算所述电力系统的目标安全评估结果。
10.在其中一个实施例中，若所述安全评估指标包括故障严重度、故障发生概率和异常检测时间，则所述针对各所述安全评估指标，计算与所述安全评估指标对应的目标向量，包括：
11.针对所述故障严重度，计算与所述故障严重度对应的第一目标向量；
12.针对所述故障发生概率，计算与所述故障发生概率对应的第二目标向量；
13.针对所述异常检测时间，计算与所述异常检测时间对应的第三目标向量。
14.在其中一个实施例中，所述针对所述故障严重度，计算与所述故障严重度对应的第一目标向量，包括：
15.获取与所述故障严重度对应的故障比例和与所述故障严重度对应的预设故障严重度模型；
16.根据所述故障严重度模型及梯形模糊分布算法，确定所述故障严重度的隶属度函数曲线；
17.根据所述故障严重度对应的故障比例、所述故障严重度的隶属度函数曲线，确定
与所述故障严重度对应的第一目标向量。
18.在其中一个实施例中，所述故障严重度包括软件失效严重度、硬件瘫痪严重度及数据篡改或失效严重度；所述获取与所述故障严重度对应的故障比例，包括：
19.获取与所述软件失效严重度对应的第一故障比例；所述第一故障比例用于表征所述软件的故障进程数占所述软件的总进程数的比例；
20.获取与所述硬件瘫痪严重度对应的第二故障比例；所述第二故障比例用于表征所述硬件的故障前数据处理量与故障后的数据量的差值与所述硬件的总数据量的比例；
21.获取与所述数据篡改或失效严重度的比例对应的第三故障比例；所述第三故障比例用于表征所述电力系统在发生故障之后不受影响的数据量与所述电力系统在正常运行时的总数据量的比例。
22.在其中一个实施例中，所述针对所述故障发生概率，计算与所述故障发生概率对应的第二目标向量，包括：
23.获取所述故障发生概率的样本集合；
24.将所述故障发生概率的样本集合输入至模糊c均值聚类模型中进行分级，得到所述样本集合中各所述故障发生概率的分级结果；
25.对各所述故障发生概率的分级结果进行清晰化处理，基于清晰化处理的分级结果生成与所述故障发生概率对应的第二目标向量。
26.在其中一个实施例中，所述针对所述异常检测时间，计算与所述异常检测时间对应的第三目标向量，包括：
27.获取所述异常检测时间的样本集合；
28.将所述异常检测时间的样本集合输入至模糊c均值聚类模型中进行分级，得到所述样本集合中各所述异常检测时间的分级结果；
29.对各所述异常检测时间的分级结果进行清晰化处理，基于清晰化处理的分级结果生成与所述异常检测时间对应的第三目标向量。
30.在其中一个实施例中，所述根据与各所述安全评估指标对应的目标向量，计算所述电力系统的目标安全评估结果，包括：
31.获取各所述安全评估指标对应的权重；
32.根据各所述安全评估指标对应的权重、各所述安全评估指标的目标向量，计算所述电力系统的目标安全评估结果。
33.一种电力系统的安全评估装置，所述装置包括：
34.获取模块，用于获取电力系统的安全评估指标，所述安全评估指标包括故障严重度、故障发生概率和异常检测时间中的至少两个；
35.第一计算模块，用于针对各所述安全评估指标，计算与所述安全评估指标对应的目标向量；所述目标向量用于表征所述安全评估指标的安全评估结果；
36.第二计算模块，用于根据与各所述安全评估指标对应的目标向量，计算所述电力系统的目标安全评估结果。
37.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
38.获取电力系统的安全评估指标，所述安全评估指标包括故障严重度、故障发生概
率和异常检测时间中的至少两个；
39.针对各所述安全评估指标，计算与所述安全评估指标对应的目标向量；所述目标向量用于表征所述安全评估指标的安全评估结果；
40.根据与各所述安全评估指标对应的目标向量，计算所述电力系统的目标安全评估结果。
41.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
42.获取电力系统的安全评估指标，所述安全评估指标包括故障严重度、故障发生概率和异常检测时间中的至少两个；
43.针对各所述安全评估指标，计算与所述安全评估指标对应的目标向量；所述目标向量用于表征所述安全评估指标的安全评估结果；
44.根据与各所述安全评估指标对应的目标向量，计算所述电力系统的目标安全评估结果。
45.上述电力系统的安全评估方法、装置、计算机设备和存储介质，获取电力系统的安全评估指标，安全评估指标包括故障严重度、故障发生概率和异常检测时间中的至少两个。针对各安全评估指标，计算与安全评估指标对应的目标向量，目标向量用于表征所述安全评估指标的安全评估结果。最后，根据与各安全评估指标对应的目标向量，计算电力系统的目标安全评估结果。通过综合至少两个安全评估指标，实现了从多个角度对电力系统的安全进行评估，因此，可以得到一个更全面的电力系统的安全评估结果。
附图说明
46.图1为一个实施例中电力系统的安全评估方法的应用环境图；
47.图2为一个实施例中电力系统的安全评估方法的流程示意图；
48.图3为另一个实施例中电力系统的安全评估方法的流程示意图；
49.图4为又一个实施例中电力系统的安全评估方法的流程示意图；
50.图5为一个实施例中隶属度函数曲线示意图；
51.图6为又一个实施例中电力系统的安全评估方法的流程示意图；
52.图7为又一个实施例中电力系统的安全评估方法的流程示意图；
53.图8为又一个实施例中电力系统的安全评估方法的流程示意图；
54.图9为又一个实施例中电力系统的安全评估方法的流程示意图；
55.图10为又一个实施例中电力系统的安全评估方法的流程示意图；
56.图11为又一个实施例中电力系统的安全评估方法的流程示意图；
57.图12为一个实施例中电力系统的安全评估装置的结构框图；
58.图13为另一个实施例中电力系统的安全评估装置的结构框图；
59.图14为又一个实施例中电力系统的安全评估装置的结构框图。
具体实施方式
60.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不
用于限定本技术。
61.本技术提供的电力系统的安全评估方法，可以应用于如图1所示的应用环境中。该服务器的内部结构图可以如图1所示。该服务器包括通过系统总线连接的处理器、存储器和网络接口。其中，该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该服务器的数据库用于存储项目案例测试数据。该服务器的网络接口用于与外部的终端通过网络连接通信。服务器获取电力系统的安全评估指标，针对各安全评估指标，计算与安全评估指标对应的目标向量，根据与各安全评估指标对应的目标向量，计算电力系统的目标安全评估结果。其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
62.在一个实施例中，如图2所示，提供了一种电力系统的安全评估方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
63.s201，获取电力系统的安全评估指标，安全评估指标包括故障严重度、故障发生概率和异常检测时间中的至少两个。
64.其中，安全评估指标是指电力系统运行过程中，表示电力系统运行状态的一些指标，安全评估指标可以是故障严重度、故障发生概率、异常检测时间等。故障严重度是指电力系统发生故障的严重程度，故障发生概率是指电力系统各设备发生故障的概率大小，异常检测时间是指电力系统遭到破坏后，检测异常所需要的时间。
65.具体的，可以将历史评估过程中常用的安全评估指标作为电力系统的安全评估指标，也可以选择对电力系统影响最大的安全评估指标作为电力系统的安全评估指标。安全评估指标包括故障严重度、故障发生概率和异常检测时间中的至少两个，例如，安全评估指标可以是故障严重度和故障发生概率，安全评估指标可以是故障严重度和异常检测时间，安全评估指标可以是故障发生概率和异常检测时间，安全评估指标可以是故障严重度、故障发生概率和异常检测时间。
66.s202，针对各安全评估指标，计算与安全评估指标对应的目标向量。其中，目标向量用于表征安全评估指标的安全评估结果。
67.其中，目标向量是指各安全评估指标对应的评价向量，是用来评价各安全评估指标对应的严重等级，其中，目标向量包括故障严重度对应的评价向量、故障发生概率对应的评价向量和异常检测时间对应的评价向量。
68.具体的，对各安全评估指标进行严重等级划分，按照各安全评估指标的严重等级获得相应的目标向量。其中，目标向量包括故障严重度对应的第一目标向量、故障发生概率对应的第二目标向量和异常检测时间对应的第三目标向量。例如，将各安全评估指标的严重等级划分为四个等级：ⅰ级、ⅱ级、ⅲ级、ⅳ级，其中，ⅰ级对应的严重等级为正常，ⅱ级对应的严重等级为注意，ⅲ级对应的严重等级为严重，ⅳ级对应的严重等级为危及。将故障严重度作为安全评估指标中的一个指标时，故障严重度对应的第一目标向量可以表示为：
[0069]v1
＝[v
11
,v
12
,v
13
,v
14
]
[0070]
其中，v1表示第一目标向量，v
11
、v
12
、v
13
、v
14
分别对应ⅰ级、ⅱ级、ⅲ级、ⅳ级，当故障严重度为ⅱ级时，对应的第一目标向量可以表示为：
[0071]v1
＝[0,1,0,0]
[0072]
s203，根据与各安全评估指标对应的目标向量，计算电力系统的目标安全评估结果。
[0073]
其中，电力系统的目标安全评估结果是对各安全评估指标对应的严重等级进行综合，可以对各安全评估指标对应的目标向量进行加权求和，也可以对各安全评估指标对应的目标向量求平均值，得到一个综合的评估等级，即为电力系统的目标安全评估结果。
[0074]
具体的，通过步骤s202可以得到故障严重度对应的第一目标向量、故障发生概率对应的第二目标向量和异常检测时间对应的第三目标向量，可以根据专家经验对各安全评估指标对应的目标向量设定相应的权重，将各安全评估指标对应的目标向量与各安全评估指标对应的目标向量设定相应的权重进行相乘，将得到的乘积相加，得到电力系统的目标安全评估结果。可选的，可以将各安全评估指标对应的目标向量进行加权平均计算，得到电力系统的目标安全评估结果。本实施例对于根据与各安全评估指标对应的目标向量，通过何种方式进行计算不做限定，需要获得通过该方法获得电力系统的目标安全评估结果即可。
[0075]
上述电力系统的安全评估方法中，获取电力系统的安全评估指标，安全评估指标包括故障严重度、故障发生概率和异常检测时间中的至少两个。针对各安全评估指标，计算与安全评估指标对应的目标向量，目标向量用于表征安全评估指标的安全评估结果。最后，根据与各安全评估指标对应的目标向量，计算电力系统的目标安全评估结果。通过综合至少两个安全评估指标，实现了从多个角度对电力系统的安全进行评估，因此，可以得到一个更全面的电力系统的安全评估结果。
[0076]
在图2所示实施例的基础上，在一个实施例中，如图3所示，详细说明若安全评估指标包括故障严重度、故障发生概率和异常检测时间，则针对各安全评估指标，计算与安全评估指标对应的目标向量的具体实现步骤，包括：
[0077]
s301，针对故障严重度，计算与故障严重度对应的第一目标向量。
[0078]
其中，故障严重度包括：软件失效严重度、硬件瘫痪严重度和数据篡改或失效严重度。其中，软件失效严重度是指电力系统的软件系统遭到攻击后的破坏程度，硬件瘫痪严重度是指电力系统的硬件系统遭到攻击后的破坏程度，数据篡改或失效严重度是指电力系统的存储系统遭到攻击后的破坏程度。
[0079]
具体的，分别计算软件失效严重度、硬件瘫痪严重度和数据篡改或失效严重度对应的严重度等级，根据软件失效严重度、硬件瘫痪严重度和数据篡改或失效严重度对应的严重度等级，综合得到故障严重度等级，根据故障严重度等级计算与故障严重度对应的第一目标向量。
[0080]
s302，针对故障发生概率，计算与故障发生概率对应的第二目标向量。
[0081]
具体的，获取故障发生概率的数据，可选的，服务器可以通过朴素贝叶斯分类算法对故障发生概率的数据进行分类，服务器也可以通过支持向量机方法对故障发生概率的数据进行分类。根据分类后的故障发生概率的数据对其进行严重度等级划分，根据故障发生概率的严重度等级计算故障发生概率对应的第二目标向量。
[0082]
s303，针对异常检测时间，计算与异常检测时间对应的第三目标向量。
[0083]
具体的，获取异常检测时间的数据，可选的，服务器可以通过朴素贝叶斯分类算法对异常检测时间的数据进行分类，服务器也可以通过支持向量机方法对异常检测时间的数
据进行分类。根据分类后的异常检测时间的数据对其进行严重度等级划分，根据异常检测时间的严重度等级计算异常检测时间对应的第三目标向量。
[0084]
上述电力系统的安全评估方法中，计算与故障严重度对应的第一目标向量、故障发生概率对应的第二目标向量和异常检测时间对应的第三目标向量，分别从故障严重度、故障发生概率和异常检测时间三个评估指标出发，对电力系统进行评估，使电力系统的评估过程更加准确合理，保障了电力系统的稳定运行。
[0085]
在图3所示实施例的基础上，在一个实施例中，如图4所示，详细说明针对故障严重度，计算与故障严重度对应的第一目标向量的具体实现步骤，包括：
[0086]
s401，获取与故障严重度对应的故障比例和与故障严重度对应的预设故障严重度模型。
[0087]
其中，故障严重度对应的故障比例是指故障发生造成的损失值与正常运行的数据值的比值，其中，故障严重度对应的故障比例包括：软件失效严重度对应的第一故障比例、硬件瘫痪严重度对应的第二故障比例和数据篡改或失效严重度对应的第三故障比例。
[0088]
具体的，获取与故障严重度对应的故障比例具体的是获取软件失效严重度对应的第一故障比例、硬件瘫痪严重度对应的第二故障比例和数据篡改或失效严重度对应的第三故障比例。故障严重度对应的故障比例是指电力系统发生故障后，设备正常运行的数值与故障运行状态的损失值的差值与设备正常运行的数值的比例，故障严重度对应的故障比例可以表示为：
[0089][0090]
式中，x表示故障严重度对应的故障比例，n0表示电力系统正常运行状态时设备的数值，ni表示电力系统发生故障时设备运行的数值。
[0091]
进一步的，利用风险喜好型效用函数构建故障严重度对应的预设故障严重度模型，故障严重度模型可以表示为：
[0092][0093]
s'(x)》0
[0094]
s”(x)》0
[0095]
其中，s(x)表示故障严重度模型，a、b、c是正数。
[0096]
s402，根据故障严重度模型及梯形模糊分布算法，确定故障严重度的隶属度函数曲线。
[0097]
具体的，通过故障严重度对应的模型和梯形模糊分布算法，可以得到故障严重度对应的隶属度函数曲线，故障严重度对应的隶属度函数曲线如图5所示，隶属度函数曲线的横坐标为故障严重度对应的故障比例，纵坐标为不同等级的隶属度大小。
[0098]
s403，根据故障严重度对应的故障比例、故障严重度的隶属度函数曲线，确定与故障严重度对应的第一目标向量。
[0099]
具体的，通过故障严重度对应的故障比例，从故障严重度的隶属度函数曲线中可以得到故障严重度对应的等级，将故障严重度等级与模糊规则结合，得到与故障严重度对应的第一目标向量。
[0100]
上述电力系统的安全评估方法中，首先获取与故障严重度对应的故障比例和与故障严重度对应的预设故障严重度模型，然后根据故障严重度模型及梯形模糊分布算法，确定故障严重度的隶属度函数曲线，根据故障严重度对应的故障比例、故障严重度的隶属度函数曲线，能够更精确的确定与故障严重度对应的第一目标向量。
[0101]
由于故障严重度对应的故障比例包括软件失效严重度对应的第一故障比例、硬件瘫痪严重度对应的第二故障比例和数据篡改或失效严重度对应的第三故障比例。因此，在一个实施例中，如图6所示，详细说明获取与故障严重度对应的故障比例的具体实现步骤，包括：
[0102]
s601，获取与软件失效严重度对应的第一故障比例；第一故障比例用于表征软件的故障进程数占软件的总进程数的比例。
[0103]
具体的，软件失效严重度对应的第一故障比例是指子软件系统在故障发生后所需停用的进程数与原有进程数的比例，软件失效严重度对应的第一故障比例可以表示为：
[0104][0105]
其中，x1表示软件失效严重度对应的第一故障比例，wi表示子软件系统在故障发生后所需停用的进程数，w0表示子软件系统原有的进程数。
[0106]
进一步的，利用风险喜好型效用函数构建软件失效严重度对应的第一模型，软件失效严重度对应的模型可以表示为：
[0107][0108]
其中，s
ev1
软件失效严重度对应的第一模型，考虑到软件重要程度的不同，其失效后果一般也各不相同。因此，在上述软件失效严重度对应的模型的基础上引入软件重要程度因子αi，则软件失效严重度对应的第一模型为：
[0109][0110]
本发明给出重要等级的定量化分。为明确看出软件系统重要等级因素的影响，一般取值范围为(1～10)之间的无量纲值。分值越大，代表越重要，造成的损失值越大，软件重要程度因子的定量划分如表1所示。
[0111]
表1软件重要程度因子的定量划分
[0112][0113]
s602，获取与硬件瘫痪严重度对应的第二故障比例；第二故障比例用于表征硬件的故障前数据处理量与故障后的数据量的差值与硬件的总数据量的比例。
[0114]
具体的，硬件瘫痪严重度对应的第二故障比例是指硬件的故障前数据处理量与故障后的数据量的差值与硬件的总数据量的比例，硬件瘫痪严重度对应的第二故障比例可以表示为：
[0115]
[0116]
其中，x2表示软件失效严重度对应的第一故障比例，wi表示子硬件故障后的数据量，l0表示子硬件故障前数据处理量。
[0117]
进一步的，利用风险喜好型效用函数构建硬件瘫痪严重度对应的第二模型，软件硬件瘫痪严重度对应的模型可以表示为：
[0118][0119]
其中，s
ev2
硬件瘫痪严重度对应的第二模型，考虑到子设备重要程度的不同，故障所造成子设备的后果损失必然不同。因此，在上述硬件瘫痪严重度对应的模型的基础上引入硬件重要程度因子βi，则硬件瘫痪严重度对应的第一模型为：
[0120][0121]
其中，硬件重要程度因子的影响因素包括设备使用频率、线路拓扑结构重要性等方面。
[0122]
s603，获取与数据篡改或失效严重度对应的第三故障比例；第三故障比例用于表征电力系统在发生故障之后不受影响的数据量与电力系统在正常运行时的总数据量的比例。
[0123]
具体的，数据篡改或失效严重度的第三故障比例是指电力系统在发生故障之后不受影响的数据量与电力系统在正常运行时的总数据量的比例，数据篡改或失效严重度的第三故障比例可以表示为：
[0124][0125]
其中，x3表示数据篡改或失效严重度的第三故障比例，vi表示电力系统发生故障后受影响的数据量，v0表示电力系统正常运行情况下的存储数据量。
[0126]
进一步的，利用风险喜好型效用函数构建硬件瘫痪严重度对应的第二模型，软件硬件瘫痪严重度对应的模型可以表示为：
[0127][0128]
其中，s
ev3
硬件瘫痪严重度对应的第二模型，考虑到子设备重要程度的不同，故障所造成子设备的后果损失必然不同。因此，在上述硬件瘫痪严重度对应的模型的基础上引入数据重要程度因子γi，则硬件瘫痪严重度对应的第一模型为：
[0129][0130]
其中，数据重要程度因子γi的影响因素包括数据受损程度、数据丢失程度等方面，在实际评估工作中，γi可根据下式确定：
[0131]
γi＝γ
ai
*γ
bi
[0132]
式中，γ
ai
、γ
bi
分别对应于该数据受损、数据丢失重要程度因子，不计上述因素影响时，γ
ai
、γ
bi
均取值为1。
[0133]
进一步的，根据软件失效严重度对应的第一故障比例和软件失效严重度对应的模型，确定软件失效的第一严重度等级；根据硬件瘫痪严重度对应的第二故障比例和硬件瘫痪严重度对应的模型，确定硬件瘫痪的第二严重度等级；根据数据篡改或失效严重度对应的第三故障比例和数据篡改或失效严重度对应的模型，确定数据篡改或失效的第三严重度等级，根据上述软件失效的第一严重度等级、硬件瘫痪的第二严重度等级和数据篡改或失
效的第三严重度等级，结合模糊规则，得到故障严重度对应的严重度等级，示例性的，如表2所示。
[0134]
表2故障严重度对应的严重度等级
[0135][0136][0137]
根据上述模糊规则，故障严重度等级对应的第一目标向量可以表示为：
[0138]v1
＝[v
11
,v
12
,v
13
,v
14
]
[0139]
式中，v
11
、v
12
、v
13
、v
14
为综合后果严重度评估指标对等级ⅰ～ⅳ的隶属程度。
[0140]
上述电力系统的安全评估方法中，通过软件失效严重度对应的第一故障比例、硬件瘫痪严重度对应的第二故障比例和数据篡改或失效严重度对应的第三故障比例和软件失效严重度对应的第一模型、硬件瘫痪严重度对应的第二模型和数据篡改或失效严重度对应的第三模型，使故障严重度的等级划分更加合理，根据故障严重度的等级划分，得到更加合理的故障严重度对应的第一目标向量。
[0141]
在图3所示实施例的基础上，在一个实施例中，如图7所示，详细说明获取与故障严重度对应的故障比例的具体实现步骤，包括：
[0142]
s701，获取故障发生概率的样本集合。
[0143]
具体的，服务器可以从电力系统的存储器中按照预设的时间间隔获取故障发生概率的样本集合，例如，故障发生概率的样本集合可以是p＝{p1,p2,...,pn}。
[0144]
s702，将故障发生概率的样本集合输入至模糊c均值聚类模型中进行分级，得到样本集合中各故障发生概率的分级结果。
[0145]
具体的，根据故障发生概率的样本集合和模糊c均值聚类(fuzzy c-means algorithm，fcm)的定义函数得到故障发生概率对应的数学模型，数学模型对应的目标函数可以表示为：
[0146][0147]
数学模型对应的约束条件为：
[0148]
[0149][0150][0151]
式中，t1是故障发生概率数学模型对应的目标函数，v
ij
是聚类中心。
[0152]
s703，对各故障发生概率的分级结果进行清晰化处理，基于清晰化处理的分级结果生成与故障发生概率对应的第二目标向量。
[0153]
具体的，步骤s702通过模糊c均值聚类方法对故障发生概率的样本集合得到模糊分级结果，由于最终的分级结果都需要明确划分，因此需要将模糊c均值聚类方法得到模糊分级结果进行清晰化。例如，对于故障发生概率的样本pi在模糊划分过程中无法清晰的划分类型，若故障发生概率的样本pi满足则将故障发生概率的样本pi归为第j类，根据模糊划分清晰化及模糊c均值聚类的结果，按照聚类中心的范围对根据模糊划分清晰化及模糊c均值聚类的结果进行分级，故障发生概率分级结果如表3所示。
[0154]
表3故障发生概率分级结果
[0155][0156]
从上述故障发生概率的分级结果可以看出，故障发生概率可以分为4类聚类中心，将同一个等级的概率的隶属度进行加权处理，得到模糊故障发生概率对应的第二目标向量，即故障发生概率对应的第二目标向量可以表示为：
[0157]v2
＝[v
21
,v
22
,v
23
,v
24
]
[0158]
其中，v
21
、v
22
、v
23
、v
24
分别表示故障发生概率评估指标对应ⅰ级、ⅱ级、ⅲ级、ⅳ级的隶属程度。例如，当故障发生ⅰ级的概率为0.2，故障发生ⅱ级的概率为0.4，故障发生ⅲ级的概率为0.3，故障发生ⅳ级的概率为0.1，因此，故障发生概率对应的第二目标向量可以表示为：
[0159]v2
＝[0.2,0.4,0.3,0.1]
[0160]
上述电力系统的安全评估方法中，获取故障发生概率的样本集合，将故障发生概率的样本集合输入至模糊c均值聚类模型中进行分级，得到样本集合中各故障发生概率的分级结果，对各故障发生概率的分级结果进行清晰化处理，基于模糊c均值聚类和清晰化处理的分级结果使得生成的故障发生概率对应的第二目标向量更加精确。
[0161]
在图3所示实施例的基础上，在一个实施例中，如图8所示，详细说明获取与故障严重度对应的故障比例的具体实现步骤，包括：
[0162]
s801，获取异常检测时间的样本集合。
[0163]
具体的，服务器可以从电力系统的存储器中按照预设的时间间隔获取异常检测时
间的样本集合，例如，异常检测时间的样本集合可以是t＝{t1,t2,...,tn}。
[0164]
s802，将异常检测时间的样本集合输入至模糊c均值聚类模型中进行分级，得到样本集合中各异常检测时间的分级结果。
[0165]
具体的，根据异常检测时间的样本集合和模糊c均值聚类的定义函数得到异常检测时间对应的数学模型，数学模型对应的目标函数可以表示为：
[0166][0167]
数学模型对应的约束条件为：
[0168][0169][0170][0171]
式中，t2是故障发生概率数学模型对应的目标函数，v
ij
是聚类中心。
[0172]
s803，对各异常检测时间的分级结果进行清晰化处理，基于清晰化处理的分级结果生成与异常检测时间对应的第三目标向量。
[0173]
具体的，步骤s802通过模糊c均值聚类方法对异常检测时间样本集合得到模糊分级结果，由于最终的分级结果都需要明确划分，因此需要将模糊c均值聚类方法得到模糊分级结果进行清晰化。例如，对于异常检测时间的样本ti在模糊划分过程中无法清晰的划分类型，若异常检测时间的样本t满足则将故障发生概率的样本pi归为第j类，根据模糊划分清晰化及模糊c均值聚类的结果，按照聚类中心的范围对根据模糊划分清晰化及模糊c均值聚类的结果进行分级，异常检测时间分级结果如表4所示。
[0174]
表4异常检测时间分级结果
[0175][0176]
从上述异常检测时间的分级结果可以看出，异常检测时间可以分为4类聚类中心，将同一个等级的概率的隶属度进行加权处理，得到模糊异常检测时间对应的第三目标向量，即异常检测时间对应的第三目标向量可以表示为：
[0177]v3
＝[v
31
,v
32
,v
33
,v
34
]
[0178]
其中，v
21
、v
22
、v
23
、v
24
分别表示故障发生概率评估指标对应ⅰ级、ⅱ级、ⅲ级、ⅳ级的隶属程度。例如，当异常检测时间划分为ⅰ级的概率为0.2，异常检测时间划分为ⅱ级的概率
为0.4，异常检测时间划分为ⅲ级的概率为0.3，异常检测时间划分为ⅳ级的概率为0.1，因此，异常检测时间对应的第三目标向量可以表示为：
[0179]v3
＝[0.2,0.4,0.3,0.1]
[0180]
上述电力系统的安全评估方法中，获取异常检测时间的样本集合，将异常检测时间的样本集合输入至模糊c均值聚类模型中进行分级，得到样本集合中各异常检测时间的分级结果，对各异常检测时间的分级结果进行清晰化处理，基于模糊c均值聚类和清晰化处理的分级结果使得生成的异常检测时间对应的第三目标向量更加精确。
[0181]
在图2所示实施例的基础上，在一个实施例中，如图9所示，详细说明获取与故障严重度对应的故障比例的具体实现步骤，包括：
[0182]
s901，获取各安全评估指标对应的权重。
[0183]
具体的，根据专家经验对各安全评估指标确定初始权重，根据各安全评估指标的初始权重确定各安全评估指标对应的权重，可选的，可以构建相应的神经网络模型，将各安全评估指标的初始权重作为输入信息，经过神经网络模型的训练，输出各安全评估指标的权重。可选的，可以通过相应的算法对各安全评估指标的初始权重进行计算，获取各安全评估指标的权重。例如，故障严重度对应的权重可以是0.4，故障发生概率对应的权重可以是0.3，异常检测时间对应的权重可以是0.3。
[0184]
s902，根据各安全评估指标对应的权重、各安全评估指标的目标向量，计算电力系统的目标安全评估结果。
[0185]
具体的，利用模糊数学中的模糊运算对各安全评估指标对应的权重和各安全评估指标的目标向量构建安全评估分级模型，安全评估分级模型可以表示为：
[0186][0187]
其中，w表示权重向量；w1、w2、w3表示故障严重度、故障发生概率和异常检测时间的权重值，且w1 w2 w3＝1，v1、v2、v3表示故障严重度对应的第一目标向量、故障发生概率对应的第二目标向量和异常检测时间对应的目标向量。
[0188]
进一步的，根据风险评估理论可知故障概率和后果严重度对系统风险的影响，故一般取w1＝0.4，w2＝0.4，w3＝0.2，根据模糊推理中的最大隶属度原则，由最大隶属度可判断电力系统出现故障后的目标安全评估结果，示例性的，目标安全评估结果如表5所示，具体的数据根据计算结果进行确定。
[0189]
表5目标安全评估结果
[0190][0191]
上述电力系统的安全评估方法中，获取各安全评估指标对应的权重，根据各安全评估指标对应的权重、各安全评估指标的目标向量，计算电力系统的目标安全评估结果，使得电力系统的目标安全评估结果更合理。
[0192]
在一个实施例中，如图10所示，为了便于本领域技术人员的理解，以下对电力系统的安全评估方法进行详细介绍，该方法可以包括：
[0193]
s1001，获取电力系统的安全评估指标；
[0194]
s1002，获取与故障严重度对应的故障比例和与故障严重度对应的预设故障严重度模型；
[0195]
s1003，根据故障严重度模型及梯形模糊分布算法，确定故障严重度的隶属度函数曲线；
[0196]
s1004，根据故障严重度对应的故障比例、故障严重度的隶属度函数曲线，确定与故障严重度对应的第一目标向量；
[0197]
s1005，获取故障发生概率的样本集合；
[0198]
s1006，将故障发生概率的样本集合输入至模糊c均值聚类模型中进行分级，得到样本集合中各故障发生概率的分级结果；
[0199]
s1007，对各故障发生概率的分级结果进行清晰化处理，基于清晰化处理的分级结果生成与故障发生概率对应的第二目标向量；
[0200]
s1008，获取异常检测时间的样本集合；
[0201]
s1009，将异常检测时间的样本集合输入至模糊c均值聚类模型中进行分级，得到样本集合中各异常检测时间的分级结果；
[0202]
s1010，对各异常检测时间的分级结果进行清晰化处理，基于清晰化处理的分级结果生成与异常检测时间对应的第三目标向量；
[0203]
s1011，获取各安全评估指标对应的权重；
[0204]
s1012，根据各安全评估指标对应的权重、各安全评估指标的目标向量，计算电力系统的目标安全评估结果。
[0205]
需要说明的是，针对上述s1001-s1012中的描述可以参见上述实施例中相关的描述，且其效果类似，本实施例在此不再赘述。
[0206]
进一步的，针对本技术提供的电力系统的安全评估方法结合图11所示的流程图加
以详细说明，首先根据故障严重度的数据，定义3个输入变量隶属函数，分别为软件失效隶属函数、硬件瘫痪隶属函数和数据篡改或失效隶属函数，根据隶属度函数得到软件失效严重度等级、硬件瘫痪严重度等级和数据篡改或失效严重度等级，指定故障严重度的模糊规则库，基于max-min复合运算的模糊推理操作，将软件失效严重度等级、硬件瘫痪严重度等级和数据篡改或失效严重度等级进行综合，得到综合故障严重度等级，根据综合故障严重度等级得到综合严重度模糊评价向量v1。然后利用模糊c均值聚类算法(fuzzy c-means algorithm，fcm)对故障概率样本集合进行分类，得到分类后的故障概率等级，根据故障概率等级得到概率模糊评价向量v2。同样再利用模糊c均值聚类算法对异常检测时间样本集合进行分类，得到分类后的异常检测时间等级，根据异常检测时间等级得到异常检测时间评价向量v3。根据综合严重度模糊评价向量v1、概率模糊评价向量v2和异常检测时间评价向量v3，得到一个风险模糊评价向量r，最后根据风险模糊评价向量r来确定安全评价预警等级，该安全评价预警等级能够更全面、更合理的对电力系统进行安全评估。
[0207]
上述电力系统的安全评估方法中，获取电力系统的安全评估指标，首先获取与故障严重度对应的故障比例和与故障严重度对应的预设故障严重度模型，根据故障严重度模型及梯形模糊分布算法，确定故障严重度的隶属度函数曲线，根据故障严重度对应的故障比例、故障严重度的隶属度函数曲线，确定与故障严重度对应的第一目标向量，然后获取故障发生概率的样本集合，将故障发生概率的样本集合输入至模糊c均值聚类模型中进行分级，得到样本集合中各故障发生概率的分级结果，对各故障发生概率的分级结果进行清晰化处理，基于清晰化处理的分级结果生成与故障发生概率对应的第二目标向量，再获取异常检测时间的样本集合，将异常检测时间的样本集合输入至模糊c均值聚类模型中进行分级，得到样本集合中各异常检测时间的分级结果，对各异常检测时间的分级结果进行清晰化处理，基于清晰化处理的分级结果生成与异常检测时间对应的第三目标向量，最后获取各安全评估指标对应的权重，根据各安全评估指标对应的权重、各安全评估指标的目标向量，计算电力系统的目标安全评估结果。本实施例首先计算故障严重度、故障发生概率和异常检测时间三个指标各自的评估结果，再对这三个评估结果进行综合安全评估，从三个能够全面合理的对电力系统进行安全评估。
[0208]
应该理解的是，虽然图2-4和图6-11的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4和图6-11中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0209]
在一个实施例中，如图12所示，提供了一种电力系统的安全评估装置，包括：第一获取模块11、第一计算模块12和第二计算模块13，其中：
[0210]
第一获取模块11，用于获取电力系统的安全评估指标；安全评估指标包括故障严重度、故障发生概率和异常检测时间中的至少两个；
[0211]
第一计算模块12，用于针对各安全评估指标，计算与安全评估指标对应的目标向量；目标向量用于表征安全评估指标的安全评估结果；
[0212]
第二计算模块13，用于根据与各安全评估指标对应的目标向量，计算电力系统的目标安全评估结果。
[0213]
本实施例提供的电力系统的安全评估装装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0214]
在上述实施例的基础上，可选的，如图13所示，上述第二计算模块13，包括：
[0215]
第一计算单元131，用于针对故障严重度，计算与故障严重度对应的第一目标向量；
[0216]
第二计算单元132，用于针对故障发生概率，计算与故障发生概率对应的第二目标向量；
[0217]
第三计算单元133，用于针对异常检测时间，计算与异常检测时间对应的第三目标向量。
[0218]
本实施例提供的电力系统的安全评估装装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0219]
在上述实施例的基础上，可选的，上述第一计算单元131具体用于获取与所述故障严重度对应的故障比例和与所述故障严重度对应的预设故障严重度模型，根据所述故障严重度模型及梯形模糊分布算法，确定所述故障严重度的隶属度函数曲线，根据所述故障严重度对应的故障比例、所述故障严重度的隶属度函数曲线，确定与所述故障严重度对应的第一目标向量。
[0220]
本实施例提供的电力系统的安全评估装装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0221]
在上述实施例的基础上，可选的，上述第一计算单元131，具体用于获取与所述软件失效严重度对应的第一故障比例，获取与所述硬件瘫痪严重度对应的第二故障比例，获取与所述数据篡改或失效严重度的比例对应的第三故障比例。
[0222]
本实施例提供的电力系统的安全评估装装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0223]
在上述实施例的基础上，可选的，上述第二计算单元132，具体用于获取所述故障发生概率的样本集合，将所述故障发生概率的样本集合输入至模糊c均值聚类模型中进行分级，得到所述样本集合中各所述故障发生概率的分级结果，对各所述故障发生概率的分级结果进行清晰化处理，基于清晰化处理的分级结果生成与所述故障发生概率对应的第二目标向量。
[0224]
本实施例提供的电力系统的安全评估装装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0225]
在上述实施例的基础上，可选的，上述第三计算单元133，具体用于获取所述异常检测时间的样本集合，将所述异常检测时间的样本集合输入至模糊c均值聚类模型中进行分级，得到所述样本集合中各所述异常检测时间的分级结果，对各所述异常检测时间的分级结果进行清晰化处理，基于清晰化处理的分级结果生成与所述异常检测时间对应的第三目标向量。
[0226]
在一个实施例中，如图14所示，上述装置还包括：第二获取模块14，
[0227]
第二获取模块14，用于获取各安全评估指标对应的权重。
[0228]
本实施例提供的电力系统的安全评估装装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0229]
关于电力系统的安全评估装置的具体限定可以参见上文中对于电力系统的安全评估方法的限定，在此不再赘述。上述电力系统的安全评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0230]
本领域技术人员可以理解，图1中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的服务器的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0231]
在一个实施例中，提供了一种服务器，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0232]
获取电力系统的安全评估指标；所述安全评估指标包括故障严重度、故障发生概率和异常检测时间中的至少两个；
[0233]
针对各所述安全评估指标，计算与所述安全评估指标对应的目标向量；所述目标向量用于表征所述安全评估指标的安全评估结果；
[0234]
根据与各所述安全评估指标对应的目标向量，计算所述电力系统的目标安全评估结果。
[0235]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若所述安全评估指标包括故障严重度、故障发生概率和异常检测时间，则所述针对各所述安全评估指标，计算与所述安全评估指标对应的目标向量，包括：
[0236]
针对所述故障严重度，计算与所述故障严重度对应的第一目标向量；
[0237]
针对所述故障发生概率，计算与所述故障发生概率对应的第二目标向量；
[0238]
针对所述异常检测时间，计算与所述异常检测时间对应的第三目标向量。
[0239]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：所述针对所述故障严重度，计算与所述故障严重度对应的第一目标向量，包括：
[0240]
获取与所述故障严重度对应的故障比例和与所述故障严重度对应的预设故障严重度模型；
[0241]
根据所述故障严重度模型及梯形模糊分布算法，确定所述故障严重度的隶属度函数曲线；
[0242]
根据所述故障严重度对应的故障比例、所述故障严重度的隶属度函数曲线，确定与所述故障严重度对应的第一目标向量。
[0243]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：所述故障严重度包括软件失效严重度、硬件瘫痪严重度及数据篡改或失效严重度；所述获取与所述故障严重度对应的故障比例，包括：
[0244]
获取与所述软件失效严重度对应的第一故障比例；所述第一故障比例用于表征所述软件的故障进程数占所述软件的总进程数的比例；
[0245]
获取与所述硬件瘫痪严重度对应的第二故障比例；所述第二故障比例用于表征所述硬件的故障前数据处理量与故障后的数据量的差值与所述硬件的总数据量的比例；
[0246]
获取与所述数据篡改或失效严重度的比例对应的第三故障比例；所述第三故障比例用于表征所述电力系统在发生故障之后不受影响的数据量与所述电力系统在正常运行时的总数据量的比例。
[0247]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：所述针对所述故障发生概率，计算与所述故障发生概率对应的第二目标向量，包括：
[0248]
获取所述故障发生概率的样本集合；
[0249]
将所述故障发生概率的样本集合输入至模糊c均值聚类模型中进行分级，得到所述样本集合中各所述故障发生概率的分级结果；
[0250]
对各所述故障发生概率的分级结果进行清晰化处理，基于清晰化处理的分级结果生成与所述故障发生概率对应的第二目标向量。
[0251]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：所述针对所述异常检测时间，计算与所述异常检测时间对应的第三目标向量，包括：
[0252]
获取所述异常检测时间的样本集合；
[0253]
将所述异常检测时间的样本集合输入至模糊c均值聚类模型中进行分级，得到所述样本集合中各所述异常检测时间的分级结果；
[0254]
对各所述异常检测时间的分级结果进行清晰化处理，基于清晰化处理的分级结果生成与所述异常检测时间对应的第三目标向量。
[0255]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：所述根据与各所述安全评估指标对应的目标向量，计算所述电力系统的目标安全评估结果，包括：
[0256]
获取各所述安全评估指标对应的权重；
[0257]
根据各所述安全评估指标对应的权重、各所述安全评估指标的目标向量，计算所述电力系统的目标安全评估结果。
[0258]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0259]
获取电力系统的安全评估指标；所述安全评估指标包括故障严重度、故障发生概率和异常检测时间中的至少两个；
[0260]
针对各所述安全评估指标，计算与所述安全评估指标对应的目标向量；所述目标向量用于表征所述安全评估指标的安全评估结果；
[0261]
根据与各所述安全评估指标对应的目标向量，计算所述电力系统的目标安全评估结果。
[0262]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若所述安全评估指标包括故障严重度、故障发生概率和异常检测时间，则所述针对各所述安全评估指标，计算与所述安全评估指标对应的目标向量，包括：
[0263]
针对所述故障严重度，计算与所述故障严重度对应的第一目标向量；
[0264]
针对所述故障发生概率，计算与所述故障发生概率对应的第二目标向量；
[0265]
针对所述异常检测时间，计算与所述异常检测时间对应的第三目标向量。
[0266]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述针对所述故障严重度，计算与所述故障严重度对应的第一目标向量，包括：
[0267]
获取与所述故障严重度对应的故障比例和与所述故障严重度对应的预设故障严
memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0286]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0287]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。