基于孤立森林算法的电力数据异常检测方法设计

由于电力数据异常检测时的电力数据特征提取效果较差,导致电力数据异常检测准确性较低,对此,提出基于孤立森林算法的电力数据异常检测方法。采用总线传输控制协议进行短期负荷电力数据参数采集,通过堆叠多层神经网络来执行机器学习,得到电力数据有最小值,构建电力数据采样模型。基于采集到的短期负荷电力数据,利用相邻子模块融合方法对短期负荷电力数据进行融合处理,基于上述融合处理后的短期负荷电力数据,对其进行数据特征提取。根据数据特征提取结果,使用孤立森林学习算法进行短期负荷电力数据异常检测。实验结果表明：该方法对电力数据异常检测的聚类性和收敛性较好,且数据异常检测精度最高达97%,检测时长最高为16 s,具有实用性。     

基于随机森林算法的石油钻采装备外部故障自动监测方法

为提高石油钻采装备外部故障检测能力,提出基于随机森林算法的监测方法.构建大数据采集模型,以石油钻采装备的异常振动数据为研究对象,进行故障特征提取和信息融合,构建故障工况下的信息融合和特征聚类模型,通过模糊C均值聚类进行故障特征的量化分解和分类识别,在随机森林学习算法下实现对故障检测和诊断的自适应寻优.仿真结果表明,采用该方法进行故障检测,可有效提高故障的自动监测能力,且准确性较高,实时性较好.     

基于维度最大熵数据流聚类的异常检测方法

针对传统数据流聚类算法聚类信息损失大、不准确的缺点, 提出一种基于维度最大熵的数据流聚类算法. 采用动态数据直方图将数据维度划分为不同的维度组, 计算各维度最大熵划分维度空间簇, 将相同维度簇的数据聚集成微簇, 通过比较微簇的信息熵大小及其分布特点实现数据流的异常检测. 该方法提升了聚类速度, 克服了传统数据流聚类算法信息丢失的缺点. 实验结果表明, 所提出算法能够提高数据流异常检测的准确性和有效性.

     

基于熵值法和DEA的电力监测异常数据自动识别算法研究

为了有效提高电力监测异常数据识别准确率，确保异常数据识别效果，提出了基于熵值法和DEA的电力监测异常数据自动识别算法。应用数据脱敏、数据填补、颠簸去除等方式处理电力监测异常数据，还原原始电力监测数据，提升脱敏后数据完整性，降低颠簸数据对电力监测异常数据精度的影响。以经过数据处理的电力监测异常数据为基础，通过熵值法确定目标的属性和权重作为度量标准，采用基于熵值法改进的最近邻聚类算法，实现数据聚类，以数据聚类结果为输入，构建DEA模型，实现电力监测异常数据自动识别。实验结果表明，该算法数据聚类后的平均检测率约为92%,异常数据识别正判率约为95%,误判率约为3.5%,可有效识别出异常月负荷曲线的异常数据点和不同负荷量的异常数据，且识别结果与实际负荷曲线的趋势一致，具有较好的识别效果。     

基于大数据聚合的电力用户行为实时云监测方法

为提升电力用户行为监测效果及准确性,判断电力用户异常行为,提出一种基于大数据聚合的电力用户行为实时云监测方法。该方法将基础设施及终端等获取的电力用户行为大数据储存至数据层的关系数据库内,处理层调用数据层存储电力用户行为大数据,采用大数据处理技术,通过数据降维、清洗以及标准化处理后,提升电力用户行为大数据质量;应用层采用改进流数据聚类算法,通过用户及簇典型曲线提取、曲线相似度度量,实现用户用电行为异常监测,并通过显示层云展现监测结果。实验结果证明,该方法的数据聚类质量高,可以有效获取电力用户行为监测结果,判断电力用户是否存在异常行为,具备较高监测准确性。     

变电站综合自动化系统远动指标统计算法

为了提高变电站综合自动化系统远动指标统计分析能力,需要对变电站综合自动化系统远动指标进行统计处理,提出一种基于模糊聚类和关联规则挖掘的变电站综合自动化系统远动指标统计分析算法。采用分段检验分析方法进行变电站综合自动化系统远动指标的信息采集,提取变电站综合自动化系统远动指标的关联规则特征量,结合模糊融合聚类方法进行变电站综合自动化系统远动指标的大数据聚类处理,采用互信息特征检测方法,进行变电站综合自动化系统远动指标的大数据挖掘和信息检测,根据特征检测结果采用分段模糊聚类方法进行特征归类处理,在聚类空间中实现变电站综合自动化系统远动指标统计分析。仿真结果表明,采用该算法进行变电站综合自动化系统远动指标的统计分析能力较强,大数据聚类性较好,提高了指标统计分析和决策能力。     

基于聚类算法与序列异常技术的入侵检测新方法

入侵检测系统是当前网络与信息安全防护体系的重要组成部分,该文通过对数据挖掘技术在入侵检测系统中的应用进行归纳,提出了一种基于聚类与序列异常技术相结合的入侵检测算法。首先对入侵检测所用到的数据流进行标准化预处理;其次对初始化后的数据用改进的K-means算法进行聚类;最后应用序列异常技术对聚类结果的每个簇进行标记。研究表明,这种将聚类与序列异常技术相结合的算法可以有效地提高系统性能和检测的准确率。     

基于高斯混合聚类的电力工控系统异常检测研究

电力工控系统数据在时间维度上具有周期性,但其时间序列呈现多元高斯分布特性且周期长度不固定,这导致通过相似性度量来发现异常难以进行。针对上述问题,文章提出一种基于多元高斯聚类的电力工控系统异常时序检测方法。该方法首先获取电力工控系统流量数据,对其采用多元高斯分布混合算法实现时间序列的符号化,然后利用马尔可夫链从长度不固定的时间序列中提取出大小一致的状态转移概率矩阵作为数据特征,最后通过层次聚类方法计算样本的异常率实现异常检测。经实验分析表明,文章方法可以有效实现电力工控系统时序数据周期长度不同下的异常自动检测。     

基于智能蝙蝠算法的异常数据检测方法

随着大数据应用的普及,网络攻击日益严重并已成为主要的网络安全问题。针对大数据环境下的网络攻击检测问题,设计一种融合聚类和智能蝙蝠算法（DEBA）的网络攻击检测系统。该系统将K-means算法与蝙蝠算法相结合进行数据流分类,实现了对异常数据的高效检测。实验结果显示,该系统的聚类准确率、算法耗时和误报率方面明显优于基于传统蝙蝠算法的K-means算法和单独K-means算法的网络异常数据检测方法。     

跳频通信系统的异常跳变故障检测模型仿真

跳频通信系统的异常跳变故障检测关系到系统的安全.大型跳频通信系统中,系统处在频率跳动的环境中,不同频率区域的系统之间的频率变换幅度不同,不同系统的数据异常跳变特征有着不同的频率判断标准.传统的跳频通信系统的异常跳变故障检测方法在进行异常数据检测时,以不同区域多个不同固定频率阀值特征进行衡量,没有考虑跳频系统的频率时变特殊性,对故障检测以固定频率特征判断,很容易出现误判.提出采用决策树挖掘算法的跳频通信系统的异常跳变故障检测方法.针对跳频通信系统的异常跳变故障数据进行样本空间分类处理,获取关联数据聚类目标函数,并对聚类中心进行有效的更新,实现跳频通信系统的异常跳变故障数据的聚类处理.构建上述数据对应的决策树,并计算信息增益比,实现跳频通信系统的异常跳变故障数据的检测.实验结果表明,利用改进算法进行跳频通信系统的异常跳变故障数据的检测,能够极大的提高检测的效率.     

高效的混合聚类算法及其在异常检测中的应用

将聚类算法应用于异常检测,算法的有效性是关键。为了提高异常检测能力,提出了一种新的聚类算法,该算法运用窗口管理机制对网络数据采用分批实时处理的方法,同时对算法中运用到的DBSCAN算法和K-means算法进行改进并组合,实验证明该算法可以提高异常检测的检测率,降低误报率并增强系统的实时响应能力。     

具有自校核功能的配电网调度方法

为了提高配电网运行效率，及时发现配电网中异常数据信息，设计一种新型的配电网调度方案。该方案硬件包括调度控制中心、监控中心、调度计算等模块，能够向不同的区域提供配电网电力资源，并保证电力设备安全。该方法还采用ARM系列的LPC2214微处理器和DSP数据处理器，实现配电网不同区域信息的校核与调度；在进行调度数据信息时，通过聚类算法对不同异常信息类型进行分类，提高校核能力；又通过算法模型对不同调度数据信息进行评估，提高数据评估能力。通过试验，该方法大大提高了配电网调度能力，数据分析准确度高。     

优化聚类方法在大数据分流系统设计中的应用

为提高大数据信息分流效率,实现对不同类型数据的有效分流,文章将优化聚类方法应用于大数据分流系统设计。首先通过网络数据接收装置,捕获并过滤接收到的大数据信息,其次将获得的信息传输给网络数据发送装置,最后采用优化聚类算法设计的系统功能,与数据存储模块结合,将数据流按照接收顺序发送到聚类中心,完成大数据分流。测试结果表明,应用优化聚类方法的设计系统的分流效率均达到了96%以上,明显优于传统分流系统,在大数据分流工作中具有较好的应用价值。     

基于马氏距离的双层聚类电力远动异常检测

通过对电力远动监测系统和数据挖掘技术的讨论,提出一种基于马氏距离的双层聚类异常检测算法。针对远动系统数据非球面分布的特点,该算法通过K-means聚类改进算法对数据进行初始分类,然后使用基于马氏距离的Clustering Using Representatives(CURE)聚类改进算法对初始分类结果进行优化,以较少的计算成本去除K值设定的影响,达到预期的检测结果。同时,基于马氏距离的CURE聚类改进算法对球面和非球面分布的数据有非常好的适应能力。     

基于小波分析的网络通信大数据谱聚类算法研究

传统谱聚类算法存在聚类效果差的缺陷,为此提出基于小波分析的网络通信大数据谱聚类算法研究。采用小波分析方法对采集到的电网通信网络大数据的相异性进行度量,将得到的相异性度量结果转换为数据之间的相似性,并对网络通信大数据相似性关系进行构建,得到网络通信大数据的相似度矩阵,以上述得到的网络通信大数据相似度矩阵为基础,采用聚类算法对数据进行聚类,实现了网络通信大数据的谱聚类。通过实验可得,提出的谱聚类算法的准确率与纯度分别高出传统算法34%与21.2%,说明提出的基于小波分析的谱聚类算法具备极好的聚类效果。     

智能电网电量异常数据的识别和修复研究

为了提升智能电网电量数据质量、保证电网安全运行,对智能电网电量异常数据的识别和修复进行了研究。创新性地采用粒子群优化(PSO)算法优化可能性模糊C均值(PFCM)聚类算法,组成PSO-PFCM算法。通过指标函数确定最优聚类数目和最优聚类中心、聚类电量特征曲线,结合各类别电量曲线特征识别异常电量数据。建立径向基函数(RBF)神经网络修复模型,输入识别到的异常电量样本数据。经归一化预处理、神经网络训练后,用输出结果替换异常电量值,以实现异常电量数据的修复。试验结果表明：该算法的异常电量数据检测率高于0.82、误检率低于0.06,修复后电量值更接近实际值,异常修复相对误差低于20%。以上数据证明所提算法可智能识别和修复异常电量数据,保证电网安全运行。     

一种基于群体智能的多主体聚类算法*

目前聚类算法普遍存在对初始化参数和异常数据敏感,难以找到最优聚类以及聚类的有效性等问题.利用群体智能和多主体系统具有的自组织性、健壮性、可扩展性和简单性等优点,给出了一种新型的优化聚类算法.在三维空间搭建主体运行环境,丰富主体的记忆、通信以及信息协调能力,增强主体的分析和判断能力.实验证明,该新型聚类算法具有运行速度快,准确性高以及对数据的输入顺序不敏感,能应付异常数据,处理高维、高复杂性数据等优点,可应用于图像处理、模式识别、文档归类等多个领域.     

基于特征选择的模糊聚类异常入侵行为检测

网络攻击连接具有行为的多变性和复杂性等特征,利用基于传统聚类的行为挖掘技术来构建异常入侵检测模型是不可行的。针对网络攻击行为的特点,提出了基于特征选择的模糊聚类异常入侵模型。首先通过层次聚类算法改善了FCM 聚类算法结果对初始聚类中心的敏感性,再利用遗传算法的全局搜索能力克服了其在迭代时易陷入局部最优的缺点,并将它们结合构成一种AGFCM 算法;然后采用信息增益算法对网络攻击连接数据集的特征属性进行排序,同时利用约登指数来删减数据集的特征属性以确定特征属性容量;最后利用低维特征属性集和改进的FCM 聚类算法构建了异常入侵检测模型。实验结果表明该模型对绝大多数的网络攻击类型具有很好的检测能力,为解决异常入侵检测模型的误警率和检测率等问题提供了一种可行的解决途径。     

COVID-19疫情环境下用电行为分析

针对COVID-19这一特殊时期,利用大数据技术,处理原始不同数据结构的电力数据.将用户用电行为的数据分成内部数据和外部数据,其次是确定用电行为分析,通过对传统的K-means聚类算法改进,提高K-means效率.最后利用改进算法聚类出的类别构建用电行为模型,实现用户用电行为分析.最终实现达到帮助国家电网公司达到电力智能分配的目的,并且给出了大致的政策倾向.提升国家各部门监管能力,助力国家应急管理.     

气象信息电子采集系统错误数据排除方法仿真

研究气象信息电子采集系统中的错误数据准确排除优化问题.当前的气象信息电子采集设备中,对采集数据的校验能力不强,很难做到准确的分类和智能判断,缺少必要的错误信息剔除机制,给后期气象信息的操作带来困扰.为了避免上述缺陷,提出了一种用二次模糊聚类算法的气象信息电子采集系统中错误排除方法.并采用均值聚类方法,对气象信息进行初始分类.利用二次模糊聚类方法,对不同类别中的信息进行错误信息筛选,从而实现错误数据排除.实验结果表明,利用改进算法能够有效提高气象信息电子采集系统获取结果的准确性,为后期的气象信息操作提供了精确的数据基础.