电力系统风险预警方法、装置、设备及存储介质

技术领域

本申请涉及配电网技术领域，特别是涉及一种电力系统风险预警方法、装置、设备及存储介质。

背景技术

随着智能电网建设的广泛应用，配电网的应用场景也更加多变。为了提高供电的可靠性并改善供电质量，需要对电力系统的运行状态进行实时监测，从而可以及时发现并应对电力系统的异常运行状态。

目前，在对电力系统的运行状态进行监测时，通常是由配电主站获取到电力系统的运行数据后，在配电主站侧对电力系统的运行数据进行处理与分析，从而根据处理结果判断电力系统的运行状态，对电力系统的异常运行状态进行风险预警，并给出电力系统的异常运行状态下的解决方案。

然而，电力系统的运行数据量较大，现有的电力系统运行状态的监测方法，均是由配电主站对监测数据进行采集及处理。显然，由配电主站处理监测数据时，配电主站的计算压力大且耗时长，从而降低了对电力系统进行风险预警的效率。

发明内容

基于此，本申请实施例提供了一种电力系统风险预警方法、装置、设备及存储介质，可以提高对电力系统风险预警的效率。

第一方面，提供了一种电力系统风险预警方法，电力系统包括配电主站、电力设备及边缘设备，该方法包括：

控制边缘设备获取电力设备的目标运行状态数据，并对目标运行状态数据进行分析得到分析结果，将分析结果发送至配电主站；分析结果包括电力设备的异常运行状态数据；控制配电主站对分析结果进行处理，得到风险预警信息，基于风险预警信息进行风险处理。

在其中一个实施例中，控制边缘设备对目标运行状态数据进行分析得到分析结果，将分析结果发送至配电主站，包括：

控制边缘设备将目标运行状态数据输入至预设的第一机器学习模型中，得到电力设备的异常运行状态数据；预设的第一机器学习模型由配电主站下发至边缘设备；将电力设备的异常运行状态数据发送至配电主站。

在其中一个实施例中，该方法还包括：

控制配电主站对预设的第一机器学习模型进行更新，得到更新后的第一机器学习模型；控制边缘设备将目标运行状态数据输入至预设的第一机器学习模型中，得到电力设备的异常运行状态数据，还包括：

控制边缘设备将目标运行状态数据输入至更新后的机器学习模型中，得到电力设备的异常运行状态数据。

在其中一个实施例中，控制边缘设备获取电力设备的目标运行状态数据，包括：

控制边缘设备获取电力设备的运行状态数据；基于预设的目标数据类型，控制边缘设备从运行状态数据中筛选出目标运行状态数据；目标运行状态数据的数据类型与目标数据类型一致。

在其中一个实施例中，控制配电主站对分析结果进行处理，得到风险预警信息，包括：

控制配电主站根据预设的异常运行状态数据与攻击数据的对应关系，获取到与异常运行状态数据对应的目标攻击数据；攻击数据包括攻击源信息和攻击类型信息；控制配电主站对目标攻击数据进行处理，得到风险预警信息。

在其中一个实施例中，控制配电主站对目标攻击数据进行处理，得到风险预警信息，包括：

控制配电主站将目标攻击数据输入至预设的第二机器学习模型中，得到异常运行状态数据对应的目标风险等级；将目标风险等级与预设的风险等级阈值进行比较；若目标风险等级超过预设的风险等级阈值，则根据目标风险等级生成风险预警信息。

在其中一个实施例中，控制所述配电主站对所述分析结果进行处理，得到风险预警信息，还包括：

在预设时间段内，控制配电主站获取新的目标攻击数据；判断新的目标攻击数据与历史目标攻击数据是否相同；若相同，则统计与历史目标攻击数据相同的新的目标攻击数据出现的次数；若次数超过预设次数阈值，则控制配电主站基于新的目标攻击数据生成风险预警信息。

第二方面，提供了一种电力系统风险预警装置，电力系统包括配电主站、电力设备及边缘设备，该装置包括：

分析模块，用于控制边缘设备获取电力设备的目标运行状态数据，并对目标运行状态数据进行分析得到分析结果，将分析结果发送至配电主站；分析结果包括电力设备的异常运行状态数据；

处理模块，用于控制配电主站对分析结果进行处理，得到风险预警信息，基于风险预警信息进行风险处理。

第三方面，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。

第四方面，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上述第一方面任一实施例中的方法步骤。

上述电力系统风险预警方法、装置、设备及存储介质，通过控制边缘设备获取电力设备的目标运行状态数据，并对目标运行状态数据进行分析得到分析结果，将分析结果发送至配电主站；再控制配电主站对分析结果进行处理，得到风险预警信息，基于风险预警信息进行风险处理。在本申请实施例提供的技术方案中，由于可以控制边缘设备对电力设备的目标运行数据进行边缘计算，无需将电力设备的目标运行数据全部发送到配电主站，再由配电主站集中处理与分析，从而降低了配电主站的计算压力；并且，边缘设备是将预先处理好的分析结果发送至配电主站，再由配电主站根据分析结果进行后续的风险判断与分析，从而也节省了配电主站进行风险预警的时间，从而提高了对电力系统风险预警的效率；进一步地，由于电力设备产生的大量的目标运行数据不需要其全部发送到配电主站，也降低了数据传输的压力。

附图说明

图1为本申请实施例中提供的一种电力系统风险预警方法的应用环境图；

图2为本申请实施例提供的一种电力系统风险预警方法的流程图；

图3为图2中控制所述边缘设备对所述目标运行状态数据进行分析得到分析结果，将所述分析结果发送至所述配电主站方法的流程图；

图4为图2中控制所述边缘设备获取所述电力设备的目标运行状态数据方法的流程图；

图5为图2中控制所述配电主站对所述分析结果进行处理，得到风险预警信息方法的流程图；

图6为图5中控制所述配电主站对所述目标攻击数据进行处理，得到所述风险预警信息方法的流程图；

图7为图5中控制所述配电主站对所述目标攻击数据进行处理，得到所述风险预警信息方法的另一流程图；

图8为在一个具体的实施例中提供的一种电力系统风险预警方法的流程图；

图9为本申请实施例提供的一种电力系统风险预警装置的框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

本申请提供的电力系统风险预警方法可以应用于计算机设备中，计算机设备可以是服务器，也可以是终端，其中，服务器可以为一台服务器也可以为由多台服务器组成的服务器集群，本申请实施例对此不作具体限定，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。

以计算机设备是服务器为例，图1为本申请实施例中提供的一种电力系统风险预警方法的应用环境图，如图1所示，服务器可以包括通过系统总线连接的处理器和存储器。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、计算机程序以及数据库。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。该计算机程序被处理器执行时以实现一种电力系统风险预警方法。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的服务器的限定，可选地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。

需要说明的是，本申请实施例的执行主体可以是计算机设备，也可以是电力系统风险预警装置，下述方法实施例中就以计算机设备为执行主体进行说明。

在一个实施例中，如图2所示，其示出了本申请实施例提供的一种电力系统风险预警方法的流程图，该方法可以包括以下步骤：

步骤220、控制边缘设备获取电力设备的目标运行状态数据，并对目标运行状态数据进行分析得到分析结果，将分析结果发送至配电主站；分析结果包括电力设备的异常运行状态数据。

其中，边缘设备是部署在电网侧，并能够对采集到的电力设备的目标运行状态数据进行边缘计算的设备，分布式的边缘设备充当了智能电网和配电主站之间的桥梁。电力设备的目标运行状态数据是电力设备在运行过程中产生的状态数据，电力设备的目标运行状态数据可以包括电网数据和电力设备运行数据，电力设备的目标运行状态数据可以是全部电网数据和电力设备运行数据，也可以是根据需求筛选出来的部分电网数据和电力设备运行数据，目标运行状态数据可以是根据实际经验确定的对电力设备运行状态影响较大的数据。

电网数据可以包括智能电表中电流数据、电压数据、功率数据、用户的用电量数据等，还可以是其他电网数据；电力设备运行数据可以包括运行数据流量信息、安全防护设备日志信息、威胁情报信息、安全咨询信息等运行数据，还可以是其他电力设备运行数据。电网数据可以通过数字传感器采集后发送给边缘设备，电力设备运行数据可以是电力设备在运行过程中通过网络主动发送给边缘设备。

边缘设备获取到电力设备的目标运行状态数据之后，计算机设备可以控制边缘设备对目标运行状态数据进行分析得到分析结果，边缘设备对目标运行状态数据的分析可以是根据目标运行状态数据判断电力设备是否处于异常运行状态的分析，从而得到分析结果，分析结果就可以包括电力设备的异常运行状态数据。边缘设备在判断电力设备是否处于异常运行状态时，可以通过将获取到的目标运行状态数据直接与存储的异常运行状态数据进行比较来判断，还可以通过将获取到的目标运行状态数据输入至训练好的异常判断模型中，根据输出结果来判断，也可以是通过其他方式来判断电力设备是否处于异常运行状态，从而得到分析结果，本实施例对此不作具体限定。

步骤240、控制配电主站对分析结果进行处理，得到风险预警信息，基于风险预警信息进行风险处理。

其中，在配电主站接收到边缘设备发送的分析结果之后，计算机设备可以控制配电主站对分析结果进行处理。配电主站对分析结果的处理可以是根据分析结果判断是否需要对电力设备进行风险预警的处理，配电主站可以根据分析结果对电力设备的风险进行预警分析，可以将获取到的分析结果与存储的风险预警信息进行比较来判断，还可以通过将获取到的分析结果输入至训练好的风险预警模型中，根据输出结果来判断，也可以是通过其他方式来对分析结果进行处理，从而得到风险预警信息。

风险预警信息是用于描述电力设备运行异常且需要及时应对处理的告警信息，风险预警信息可以包括电力设备的风险等级、风险类型、修复建议等信息，从而电力系统可以基于风险预警信息对电力设备进行风险处理。风险预警信息还可以通过配电主站的显示设备显示给操作人员，由操作人员对电力设备的异常情况进行处理。

本实施例中，通过控制边缘设备获取电力设备的目标运行状态数据，并对目标运行状态数据进行分析得到分析结果，将分析结果发送至配电主站；再控制配电主站对分析结果进行处理，得到风险预警信息，基于风险预警信息进行风险处理。由于可以控制边缘设备对电力设备的目标运行数据进行边缘计算，无需将电力设备的目标运行数据全部发送到配电主站，再由配电主站集中处理与分析，从而降低了配电主站的计算压力；并且，边缘设备是将预先处理好的分析结果发送至配电主站，再由配电主站根据分析结果进行后续的风险判断与分析，从而也节省了配电主站进行风险预警的时间，从而提高了对电力系统风险预警的效率；进一步地，由于电力设备产生的大量的目标运行数据不需要其全部发送到配电主站，也降低了数据传输的压力。

在一个实施例中，如图3所示，其示出了本申请实施例提供的一种电力系统风险预警方法的流程图，具体涉及的是边缘设备对目标运行状态数据进行分析的一种可能的过程，该方法可以包括以下步骤：

步骤320、控制边缘设备将目标运行状态数据输入至预设的第一机器学习模型中，得到电力设备的异常运行状态数据；预设的第一机器学习模型由配电主站下发至边缘设备。

步骤340、将电力设备的异常运行状态数据发送至配电主站。

其中，第一机器学习模型是由配电主站预先训练好的用于判断电力设备是否处于异常运行状态的模型，并可以将预设的第一机器学习模型下发至边缘设备。电力系统通过控制边缘设备将目标运行状态数据输入至预设的第一机器学习模型中，就可以输出电力设备的运行状态数据是否异常的标识信息，根据该标识信息就可以得到对应的异常运行状态数据，之后再将电力设备的异常运行状态数据发送至配电主站。

预设的第一机器学习模型的训练过程可以是：获取目标运行状态数据的训练集和数据库中运行状态数据是否异常的标识信息；通过将训练集中的目标运行状态数据输入至初始第一机器学习模型中，对目标运行状态数据进行处理，从而输出运行状态数据是否异常的标识信息，其中，初始第一机器学习模型为模型参数初始化后未经过修正的模型；再基于输出结果以及数据库中的运行状态数据是否异常的标识信息对初始第一机器学习模型的参数进行调整，从而得到调整后的模型参数，再根据调整后的模型参数生成预设的第一机器学习模型，若输出结果与数据库中的运行状态数据是否异常的标识信息一致，则对该组训练集中目标运行状态数据监督学习完成，不需要对初始第一机器学习模型的参数进行调整，继续进行下一组训练集中目标运行状态数据的监督学习。

本实施例中，通过控制边缘设备将目标运行状态数据输入至预设的第一机器学习模型中，得到电力设备的异常运行状态数据；再将电力设备的异常运行状态数据发送至配电主站。通过预先训练好的第一机器学习模型对目标运行状态数据进行处理得到电力设备的异常运行状态数据，提高了边缘设备对目标运行状态数据进行边缘计算的效率，从而提高了对电力系统风险预警的效率。

在一个实施例中，配电主站还可以对第一机器学习模型进行不断的更新，具体地，计算机设备可以控制配电主站对预设的第一机器学习模型进行更新，得到更新后的第一机器学习模型；在对第一机器学习模型更新后，可以将更新后的第一机器学习模型发送至边缘设备，从而计算机设备可以控制边缘设备将目标运行状态数据输入至更新后的机器学习模型中，得到电力设备的异常运行状态数据。

其中，由于配电主站在运行过程中，可以不断地对数据库中异常运行状态数据进行扩充，从而就可以对第一机器学习模型进行不断的更新。计算机设备可以控制配电主站根据数据库中新的异常运行状态数据对预设的第一机器学习模型进行更新，更新的过程与上述实施例中对初始第一机器学习模型进行训练的过程类似，从而可以得到更新后的第一机器学习模型，再将更新后的第一机器学习模型发送至边缘设备。边缘设备接收到更新后的第一机器学习模型，就可以将获取到目标运行状态数据输入至更新后的机器学习模型中，从而得到电力设备的异常运行状态数据。

本实施例中，通过控制配电主站对预设的第一机器学习模型进行更新，得到更新后的第一机器学习模型；控制边缘设备将目标运行状态数据输入至更新后的机器学习模型中，得到电力设备的异常运行状态数据。通过对预设的第一机器学习模型不断地进行更新，从而可以提高得到电力设备的异常运行状态数据的准确性。

在一个实施例中，如图4所示，其示出了本申请实施例提供的一种电力系统风险预警方法的流程图，具体涉及的是获取电力设备的目标运行状态数据的一种可能的过程，该方法可以包括以下步骤：

步骤420、控制边缘设备获取电力设备的运行状态数据。

步骤440、基于预设的目标数据类型，控制边缘设备从运行状态数据中筛选出目标运行状态数据；目标运行状态数据的数据类型与目标数据类型一致。

其中，边缘设备在获取电力设备的目标运行状态数据时，边缘设备可以预先设定需要缓存的电力设备的运行状态数据的类型，从而可以根据缓存信息获取电力设备的运行状态数据，该运行状态数据可以包括电力设备的全部运行状态数据，也可以是电力设备的部分运行状态数据。再基于预设的目标数据类型，控制边缘设备从运行状态数据中筛选出目标运行状态数据，预设的目标数据类型可以是与边缘设备预先设定的需要下载的电力设备的运行状态数据的类型相对应的数据类型，目标运行状态数据的数据类型与目标数据类型一致。例如，电力设备的运行状态数据包括电流数据、电压数据、功率数据，预设的目标数据类型为电流数据，那么，就可以从电力设备的运行状态数据中筛选出电流数据作为目标运行状态数据。

本实施例中，通过控制边缘设备获取电力设备的运行状态数据；基于预设的目标数据类型，控制边缘设备从运行状态数据中筛选出目标运行状态数据。由于目标运行状态数据的数据量更小，从而降低了边缘设备的计算压力，提高了边缘设备进行边缘计算的效率，进而提高了对电力系统风险预警的效率。

在一个实施例中，如图5所示，其示出了本申请实施例提供的一种电力系统风险预警方法的流程图，具体涉及的是配电主站对目标攻击数据进行处理的一种可能的过程，该方法可以包括以下步骤：

步骤520、控制配电主站根据预设的异常运行状态数据与攻击数据的对应关系，获取到与异常运行状态数据对应的目标攻击数据；攻击数据包括攻击源信息和攻击类型信息。

步骤540、控制配电主站对目标攻击数据进行处理，得到风险预警信息。

其中，攻击数据是配电主站基于异常运行状态数据，对电力设备运行状态进行态势感知后得到的数据。攻击数据可以包括攻击源信息和攻击类型信息，也可以包括电力设备的风险趋势信息、攻击类别信息、攻击内容、防御建议等信息，还可以包括其他信息。

态势感知是一种基于环境的、动态、整体地洞悉安全风险的操作，是以安全大数据为基础，从全局视角提升对安全威胁的发现识别、理解分析、响应处置能力的一种方式，最终是为了决策与行动，是安全能力的落地，可以包括基础风险防护、安全弱点分析、智能安全运维等模块。态势感知的结果可以进行态势可视化处理，态势可视化是将数据可视化技术应用于电力设备安全领域，利用人类视觉对模型和结构的获取能力，将抽象的电力设备和系统数据以图形图像的方式展现出来，帮助安全分析人员分析电力设备状态，识别电力设备异常和入侵，预测电力设备安全事件发展趋势。

配电主站接收到边缘设备发送的电力设备的异常运行状态数据后，可以根据预设的异常运行状态数据与攻击数据的对应关系，获取到与异常运行状态数据对应的目标攻击数据。得到目标攻击数据后，计算机设备可以控制配电主站对目标攻击数据进行处理，从而得到风险预警信息，配电主站对目标攻击数据的处理可以是对目标攻击数据的进一步分析与判断，从而得到风险预警信息。

风险预警信息是用于描述电力设备运行异常且需要及时应对处理的告警信息，风险预警信息可以包括电力设备的风险等级、风险类型、修复建议等信息，从而电力系统可以基于风险预警信息对电力设备进行风险处理。风险预警信息还可以通过配电主站的显示设备显示给操作人员，由操作人员对电力设备的异常情况进行处理。

本实施例中，通过控制配电主站根据预设的异常运行状态数据与攻击数据的对应关系，获取到与异常运行状态数据对应的目标攻击数据；控制配电主站对目标攻击数据进行处理，得到风险预警信息。电力系统通过控制配电主站对异常运行状态数据进行进一步分析与判断，得到电力设备的风险预警信息，从而可以实现对电力设备进行可靠的风险预警，保证了电力系统运行的安全性与可靠性。

在一个实施例中，如图6所示，其示出了本申请实施例提供的一种电力系统风险预警方法的流程图，具体涉及的是生成风险预警信息的一种可能的过程，该方法可以包括以下步骤：

步骤620、控制配电主站将目标攻击数据输入至预设的第二机器学习模型中，得到异常运行状态数据对应的目标风险等级。

步骤640、将目标风险等级与预设的风险等级阈值进行比较。

步骤660、若目标风险等级超过预设的风险等级阈值，则根据目标风险等级生成风险预警信息。

其中，配电主站获取到目标攻击数据后，计算机设备可以控制配电主站将目标攻击数据输入至预设的第二机器学习模型中，得到异常运行状态数据对应的目标风险等级，预设的第二机器学习模型可以是由配电主站预先训练好的用于判断电力设备风险等级的模型。

预设的第二机器学习模型的训练过程可以是：获取目标攻击数据的训练集和数据库中目标攻击数据对应的风险等级信息；通过将训练集中的目标攻击数据输入至初始第二机器学习模型中，对目标攻击数据进行处理，从而输出目标攻击数据对应的风险等级信息，其中，初始第二机器学习模型为模型参数初始化后未经过修正的模型；再基于输出结果以及数据库中的目标攻击数据对应的风险等级信息对初始第二机器学习模型的参数进行调整，从而得到调整后的模型参数，再根据调整后的模型参数生成预设的第二机器学习模型，若输出结果与数据库中的目标攻击数据对应的风险等级信息一致，则对该组训练集中目标攻击数据监督学习完成，不需要对初始第二机器学习模型的参数进行调整，继续进行下一组训练集中目标攻击数据的监督学习。

得到异常运行状态数据对应的目标风险等级后，可以将目标风险等级与预设的风险等级阈值进行比较，预设风险等级阈值可以是根据实际经验确定的风险等级，若目标风险等级超过预设的风险等级阈值，则根据目标风险等级生成风险预警信息，风险预警信息可以是与目标风险等级对应的信息。例如，目标风险等级为最高级一级，预设的风险等级阈值为三级，则目标风险等级超过预设的风险等级阈值，此时就需要根据目标风险等级生成风险预警信息。

本实施例中，通过控制配电主站将目标攻击数据输入至预设的第二机器学习模型中，得到异常运行状态数据对应的目标风险等级；将目标风险等级与预设的风险等级阈值进行比较；若目标风险等级超过预设的风险等级阈值，则根据目标风险等级生成风险预警信息。通过预先训练好的第二机器学习模型对目标攻击数据进行处理得到目标风险等级，提高了配电主站对目标攻击数据处理与分析的效率；并且，将目标风险等级与预设的风险等级阈值进行比较得到风险预警信息，比较方式简单易于实现，从而提高了对电力系统风险预警的效率。

在一个实施例中，如图7所示，其示出了本申请实施例提供的一种电力系统风险预警方法的流程图，具体涉及的是生成风险预警信息的另一种可能的过程，该方法可以包括以下步骤：

步骤720、在预设时间段内，控制配电主站获取新的目标攻击数据。

步骤740、判断新的目标攻击数据与历史目标攻击数据是否相同。

步骤760、若相同，则统计与历史目标攻击数据相同的新的目标攻击数据出现的次数。

步骤780、若次数超过预设次数阈值，则控制配电主站基于新的目标攻击数据生成风险预警信息。

其中，配电主站在获取到与异常运行状态数据对应的目标攻击数据后，可以在预设时间段内，由计算机设备控制配电主站继续获取新的目标攻击数据；并判断新的目标攻击数据与历史目标攻击数据是否相同，历史目标攻击数据可以是预设时间段内在新的目标攻击数据之前获取到的目标攻击数据，也可以是在预设时间段之前获取到的目标攻击数据。若新的目标攻击数据与历史目标攻击数据相同，则需要统计与历史目标攻击数据相同的新的目标攻击数据出现的次数，若次数超过预设次数阈值，则控制配电主站基于新的目标攻击数据生成风险预警信息，预设次数阈值可以是根据实际经验确定的次数值，例如，在预设时间段内，与历史目标攻击数据相同的新的目标攻击数据出现的次数为5次，预设次数阈值为3次，此时计算机设备就需要控制配电主站基于新的目标攻击数据生成风险预警信息，风险预警信息可以是与新的目标攻击数据对应的信息。

本实施例中，通过在预设时间段内，控制配电主站获取新的目标攻击数据；判断新的目标攻击数据与历史目标攻击数据是否相同；若相同，则统计与历史目标攻击数据相同的新的目标攻击数据出现的次数；若次数超过预设次数阈值，则控制配电主站基于新的目标攻击数据生成风险预警信息。配电主站通过根据新的目标攻击数据预先判断电力设备的风险，从而生成风险预警信息，可以实现对电力设备风险的提前防御，从而更加提高了电力系统运行的安全性与可靠性。

在一个实施例中，如图8所示，其示出了本申请实施例提供的一种电力系统风险预警方法的流程图，该方法可以包括以下步骤：

步骤801、控制边缘设备获取电力设备的运行状态数据。

步骤802、基于预设的目标数据类型，控制边缘设备从运行状态数据中筛选出目标运行状态数据。

步骤803、控制边缘设备将目标运行状态数据输入至预设的第一机器学习模型中，得到电力设备的异常运行状态数据。

步骤804、将电力设备的异常运行状态数据发送至配电主站。

步骤805、控制配电主站根据预设的异常运行状态数据与攻击数据的对应关系，获取到与异常运行状态数据对应的目标攻击数据。

步骤806、控制配电主站将目标攻击数据输入至预设的第二机器学习模型中，得到异常运行状态数据对应的目标风险等级。

步骤807、将目标风险等级与预设的风险等级阈值进行比较。

步骤808、若目标风险等级超过预设的风险等级阈值，则根据目标风险等级生成风险预警信息。

本实施例提供的电力系统风险预警方法中各步骤，其实现原理和技术效果与前面各电力系统风险预警方法实施例中类似，在此不再赘述。图8实施例中各步骤的实现方式只是一种举例，对各实现方式不作限定，各步骤的顺序在实际应用中可进行调整，只要可以实现各步骤的目的即可。

在本申请实施例提供的技术方案中，由于可以控制边缘设备对电力设备的目标运行数据进行边缘计算，无需将电力设备的目标运行数据全部发送到配电主站，再由配电主站集中处理与分析，从而降低了配电主站的计算压力；并且，边缘设备是将预先处理好的分析结果发送至配电主站，再由配电主站根据分析结果进行后续的风险判断与分析，从而也节省了配电主站进行风险预警的时间，从而提高了对电力系统风险预警的效率；进一步地，由于电力设备产生的大量的目标运行数据不需要其全部发送到配电主站，也降低了数据传输的压力。

应该理解的是，虽然图2-8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2-8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。

请参考图9，其示出了本申请实施例提供的一种电力系统风险预警装置900的框图，电力系统包括配电主站、电力设备及边缘设备。如图9所示，该电力系统风险预警装置900可以包括：分析模块902和处理模块904，其中：

分析模块902，用于控制边缘设备获取电力设备的目标运行状态数据，并对目标运行状态数据进行分析得到分析结果，将分析结果发送至配电主站；分析结果包括电力设备的异常运行状态数据。

处理模块904，用于控制配电主站对分析结果进行处理，得到风险预警信息，基于风险预警信息进行风险处理。

在一个实施例中，上述分析模块902包括输入单元和发送单元，其中，输入单元用于控制边缘设备将目标运行状态数据输入至预设的第一机器学习模型中，得到电力设备的异常运行状态数据；预设的第一机器学习模型由配电主站下发至边缘设备；发送单元用于将电力设备的异常运行状态数据发送至配电主站。

在一个实施例中，电力系统风险预警装置900还包括更新模块906，更新模块906用于控制配电主站对预设的第一机器学习模型进行更新，得到更新后的第一机器学习模型；上述输入单元还用于控制边缘设备将目标运行状态数据输入至更新后的机器学习模型中，得到电力设备的异常运行状态数据。

在一个实施例中，上述分析模块902还包括获取单元和筛选单元，其中，获取单元用于控制边缘设备获取电力设备的运行状态数据；筛选单元用于基于预设的目标数据类型，控制边缘设备从运行状态数据中筛选出目标运行状态数据；目标运行状态数据的数据类型与目标数据类型一致。

在一个实施例中，上述处理模块904包括获取单元和处理单元，其中，获取单元用于控制配电主站根据预设的异常运行状态数据与攻击数据的对应关系，获取到与异常运行状态数据对应的目标攻击数据；攻击数据包括攻击源信息和攻击类型信息；处理单元用于控制配电主站对目标攻击数据进行处理，得到风险预警信息。

在一个实施例中，上述处理单元具体用于控制配电主站将目标攻击数据输入至预设的第二机器学习模型中，得到异常运行状态数据对应的目标风险等级；将目标风险等级与预设的风险等级阈值进行比较；若目标风险等级超过预设的风险等级阈值，则根据目标风险等级生成风险预警信息。

在一个实施例中，上述处理单元还用于在预设时间段内，控制配电主站获取新的目标攻击数据；判断新的目标攻击数据与历史目标攻击数据是否相同；若相同，则统计与历史目标攻击数据相同的新的目标攻击数据出现的次数；若次数超过预设次数阈值，则控制配电主站基于新的目标攻击数据生成风险预警信息。

关于电力系统风险预警装置的具体限定可以参见上文中对于电力系统风险预警方法的限定，在此不再赘述。上述电力系统风险预警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的操作。

在本申请的一个实施例中，提供了一种计算机设备，该计算机设备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：

控制边缘设备获取电力设备的目标运行状态数据，并对目标运行状态数据进行分析得到分析结果，将分析结果发送至配电主站；分析结果包括电力设备的异常运行状态数据；控制配电主站对分析结果进行处理，得到风险预警信息，基于风险预警信息进行风险处理。

在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：

控制边缘设备将目标运行状态数据输入至预设的第一机器学习模型中，得到电力设备的异常运行状态数据；预设的第一机器学习模型由配电主站下发至边缘设备；将电力设备的异常运行状态数据发送至配电主站。

在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：

控制配电主站对预设的第一机器学习模型进行更新，得到更新后的第一机器学习模型；控制边缘设备将目标运行状态数据输入至预设的第一机器学习模型中，得到电力设备的异常运行状态数据，还包括：

控制边缘设备将目标运行状态数据输入至更新后的机器学习模型中，得到电力设备的异常运行状态数据。

在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：

控制边缘设备获取电力设备的运行状态数据；基于预设的目标数据类型，控制边缘设备从运行状态数据中筛选出目标运行状态数据；目标运行状态数据的数据类型与目标数据类型一致。

在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：

控制配电主站根据预设的异常运行状态数据与攻击数据的对应关系，获取到与异常运行状态数据对应的目标攻击数据；攻击数据包括攻击源信息和攻击类型信息；控制配电主站对目标攻击数据进行处理，得到风险预警信息。

在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：

控制配电主站将目标攻击数据输入至预设的第二机器学习模型中，得到异常运行状态数据对应的目标风险等级；将目标风险等级与预设的风险等级阈值进行比较；若目标风险等级超过预设的风险等级阈值，则根据目标风险等级生成风险预警信息。

在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：

在预设时间段内，控制配电主站获取新的目标攻击数据；判断新的目标攻击数据与历史目标攻击数据是否相同；若相同，则统计与历史目标攻击数据相同的新的目标攻击数据出现的次数；若次数超过预设次数阈值，则控制配电主站基于新的目标攻击数据生成风险预警信息。

本申请实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在本申请的一个实施例中，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：

控制边缘设备获取电力设备的目标运行状态数据，并对目标运行状态数据进行分析得到分析结果，将分析结果发送至配电主站；分析结果包括电力设备的异常运行状态数据；控制配电主站对分析结果进行处理，得到风险预警信息，基于风险预警信息进行风险处理。

在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：

控制边缘设备将目标运行状态数据输入至预设的第一机器学习模型中，得到电力设备的异常运行状态数据；预设的第一机器学习模型由配电主站下发至边缘设备；将电力设备的异常运行状态数据发送至配电主站。

在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：

控制配电主站对预设的第一机器学习模型进行更新，得到更新后的第一机器学习模型；控制边缘设备将目标运行状态数据输入至预设的第一机器学习模型中，得到电力设备的异常运行状态数据，还包括：

控制边缘设备将目标运行状态数据输入至更新后的机器学习模型中，得到电力设备的异常运行状态数据。

在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：

控制边缘设备获取电力设备的运行状态数据；基于预设的目标数据类型，控制边缘设备从运行状态数据中筛选出目标运行状态数据；目标运行状态数据的数据类型与目标数据类型一致。

在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：

控制配电主站根据预设的异常运行状态数据与攻击数据的对应关系，获取到与异常运行状态数据对应的目标攻击数据；攻击数据包括攻击源信息和攻击类型信息；控制配电主站对目标攻击数据进行处理，得到风险预警信息。

在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：

控制配电主站将目标攻击数据输入至预设的第二机器学习模型中，得到异常运行状态数据对应的目标风险等级；将目标风险等级与预设的风险等级阈值进行比较；若目标风险等级超过预设的风险等级阈值，则根据目标风险等级生成风险预警信息。

在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：

在预设时间段内，控制配电主站获取新的目标攻击数据；判断新的目标攻击数据与历史目标攻击数据是否相同；若相同，则统计与历史目标攻击数据相同的新的目标攻击数据出现的次数；若次数超过预设次数阈值，则控制配电主站基于新的目标攻击数据生成风险预警信息。

本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

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。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。