一种基于对数区间隔离森林的电力调度数据异常检测集成算法

准确的电力调度自动化系统异常检测对电力系统安全稳定运行有重要意义.该系统具有业务种类繁多、业务逻辑交互复杂等特点,带来了调度监测数据维度多、空间分布多样的特性;现有基于机器学习的离线数据异常检测方法,存在对局部异常等特殊异常检测精度与检测效率难以有效兼顾等问题.提出了一种基于对数区间隔离的电力调度数据异常检测方法.针对...     

基于孤立森林算法和BP神经网络算法的电力运维数据清洗方法

在电力系统的大数据背景下,对电力运维数据进行数据清洗可以有效地改善数据质量,为数据分析做好基础。在数据清洗过程中,电力数据异常检测准确度低与数据修正误差大等问题一直是技术难点。针对这些问题,提出一种基于改进的孤立森林(Isolation Forest)算法和BP神经网络算法的数据清洗方法。该方法构造孤立森林对训练数据集的特征进行提取,并检测出数据集中的异常数据,再使用改进的BP神经网络模型对异常数据处进行预测修改。试验结果表明,基于改进方案的电力运维数据清洗程序在异常数据定位准确性、数据修正准确率、训练时间和资源占用等方面都得到了有效的优化。     

基于孤立森林评分扩展的流量异常检测方法

流量异常检测是一种有效识别网络攻击行为的技术。近年来,无监督方法在异常检测领域得到了广泛应用。针对现有流量数据间时序关系挖掘的需求与孤立森林随机选择特征属性进行样本划分的问题,本文提出一种基于孤立森林评分扩展的流量异常检测方法。首先,文章使用滑动窗口机制和信息熵特性,设计了网络流量的熵时序特征提取方法,集成至特征集执行显著特征筛选。然后,文章构建了孤立森林评分扩展模型,在节点样本划分时,利用特征集合迭代方法与特征重要性矩阵,综合集合中孤立树特征,为节点标记综合路径长度代替原路径长度,并计算更能表征样本分布的异常评分。最后,通过设定异常得分阈值判别样本是否异常。在公开数据集上的实验结果表明,文章提出的异常检测模型,相比其他方法有明显优势,具有良好的实时检测性能,误报率更低,可有效用于网络流量的异常检测中,对真实网络环境中攻击事件的识别具有重要意义。     

基于CFSFDP算法的边缘电力数据异常检测

随着智能电网的不断发展,电力设备产生的数据量逐渐增多,如何利用电力数据成为电网发展的关键.为了保障电力数据的准确性,在边缘端快速检测并处理异常数据,提出了一种基于CFSFDP算法的电力数据异常检测的方法.该方法基于CFSFDP的假设,将局部密度较低且距高密度点较远的样本点定义为异常值,并创新使用了一种根据前后k值自动选...     

基于元学习动态选择集成的电力调度数据异常检测方法

及时准确识别电力调度自动化系统业务运行异常对于维护具有“双高”特性的交直流混联大电网系统安全稳定运行具有重要意义。调度自动化系统运行业务种类繁多、业务状态监测维度多样且各业务之间存在复杂交互关系,导致调度监测数据的异常模式呈现多样化的特点。现有基于动态选择集成的无监督异常检测方法存在衡量基检测器性能的评价基准不准确且只使用单一性能指标的问题,难以在多种异常分布模式上均保持较好的性能。该文提出一种基于元学习动态选择集成的电力调度数据异常检测方法。针对评价基准不准确的问题,提出一种混合选择集成思想,通过基于孤立森林的静态选择方法预先剔除性能较差的基检测器,再对筛选后的基检测器进行动态选择集成,有效提高了假真值的准确性;针对单一指标通用性弱的问题,提出融入元学习的基检测器动态选择集成策略,将多个基检测器的动态选择问题转换为二分类问题,设计多种指标作为元特征来训练元分类器,并根据其输出选择性能较好的基检测器进行检测,通过多种指标互补以获得更强的通用性。在30个权威公开数据集和某省级电网调度中心业务数据集上开展了大量实验,与多种典型集成异常检测方法进行了对比,验证了所提方法在曲线下面积值(are...     

基于孤立森林算法的配电网线损异常判定

线损异常分析在低压配电网的发展规划中具有重要意义.现阶段线损的异常判定多采用阈值分析法,在时效性和准确性上存在很大的局限性.随着智能电网的推广,提出了一种基于孤立森林离群点检测算法的线损异常判定方案.首先采用k-means算法将低压台区按照不同的负载工况进行聚类,而后采用孤立森林算法计算台区数据的异常分数,最后对获取的...     

基于孤立森林算法的电力监控平台应用

针对当前智能电力监控系统存在的监控结果不准确、分析结果获取滞后、数据安全等问题,引用孤立森林算法进行数据清洗和校验、自动识别异常数据、优化数据处理和计算资源配置,并且建立完善的用户身份验证机制。通过实际案例部署应用分析,验证了算法的有效性。     

基于改进PSO-PFCM聚类算法的电力大数据异常检测方法

针对传统电力大数据异常检测方法检测精度低、复杂度高等问题,提出了一种将可能性模糊C均值算法和改进的粒子群优化算法相结合的电力大数据异常检测方法.使用改进的粒子群优化算法和重新定义的聚类有效函数来优化可能性模糊C均值算法的初始中心和数目.通过仿真将该算法与改进前算法进行对比分析,验证该算法的优越性.实验结果表明,该算法能...     

电力数据异常值的检测方法*

电力系统不断建设,其内外结构逐渐复杂,同时智能设备的推广与大数据平台的完善导致电力系统数据体量急剧增长。此外,在电力系统运行中,不可避免地出现用电异常、计量错误、传输中断、数据跳变等情况,严重影响后续的业务分析。因此,数据质量亟待改善,需对异常数据进行检测。为此,对电力数据异常值的检测方法进行综述,分析各类方法的理论基础,比较其优缺点,从而帮助电力系统运营者更好地监测与管理,提高系统的稳定性与经济性。     

基于孤立森林算法的电涌保护器异常参数监测研究

应用孤立森林算法构建电涌保护器(SPD)的异常参数监测模型,通过令模型学习正常SPD参数数据的分布,来对无法拟合至该分布内的SPD异常参数数据进行识别,进而对器件实际状态及劣化程度进行评价预警。研究先对SPD进行多参数采样,将得到的390组实验数据进行预处理,结合算法模型计算每组采样数据对应的异常值,来识别对应异常的采样数据,最后根据每组数据对应的标签,对算法的准确度进行验证。检验结果表明,基于孤立森林算法构建的监测模型可以对SPD采样数据的异常程度进行评价,锁定SPD在系统中可能出现不良或劣化状态时所对应的参数值。对于实验数据集,该算法模型在选择不同参数下的性能指标AUC值不低于96%,为SPD性能的监测研究提供了新的思路。