配电网信息物理系统异常检测研究

我国电网已发展为融合了信息网络、计算机网络、电力网络的三元复合网络,现有电力信息检测技术主要针对发电、输电、变电环节,在配电端缺少行之有效的电力信息检测手段.因此,文章提出了一种基于PLR时间序列数据提取与维诺图异常数据检测的分析方法.采用PLR算法实现原始电力数据序列的线性分段,获取新的数据序列;采用维诺图对新的数据序列进行二维平面分区,根据生成的点集通过离群值函数判断是否存在数据异常点.仿真结果表明,该方案能够有效识别数据序列中的异常数据,能够为电力人员提供辅助性决策依据.     

基于滑动窗口和聚类算法的变压器状态异常检测

在线监测数据在变压器运行状态中发挥出重要角色,而传统的异常状态检测一般基于阈值判定法,难以及时发现变电设备的异常情况,甄别噪声数据。针对上述问题,根据变压器在线监测数据中异常值特点,提出了一种基于滑动窗口和聚类算法的变压器状态异常检测方法。首先,利用时间序列和滑动窗口对多维的在线监测数据流进行筛选,记录异常点的发生时间和类型,建立候选异常数据集合的判断模型;其次,基于无监督的k-means聚类方法建立多元特征量数据点的异常检测模型,并用于在线监测实时数据的异常检测,判断异常时刻与异常类型。通过某变电站的油中气体数据对本文算法进行了验证,结果表明,该方法可以实时检测在线监测数据流中因运行状态变化而产生的趋势异常,并祛除少量传感器噪声或突变值的影响,具有较高的实用价值。     

基于时间序列提取和维诺图的电力数据异常检测方法

电力网络中信息系统与物理系统的深度融合,导致现代电力系统易受异常数据的影响。现有的电力数据异常检测方法未能充分挖掘数据特征,存在计算复杂、灵活性差、精度较低等缺点。提出一种基于时间序列提取和维诺图的异常数据检测方法,利用重要点分段的时间序列提取方法,将高维数据进行降维处理,并将其映射到二维平面上,构造维诺图分区,进而检测出异常数据。该方法可降低数据维度和算法复杂度,能根据序列特征灵活设定异常阈值,实现异常数据的准确检测,仿真实验证明所提方法的有效性。     

电力信息系统网络数据的实时流量监控分析

针对当前电力信息系统流量数据监控准确性差、供电不稳定性,易发生流量拥塞等难题,提出一种新型的电力信息系统网络数据流量监控方法,首先采用非线性特征分解方法进行网络流量数据重组,然后采用自适应频谱检测方法实现电力信息系统网络流量数据的谱分析,提取流量数据的谱特征量,最后利用匹配滤波检测器对异常流量进行盲分离处理,实现流量有效监控。仿真结果表明,文中方法使得电力信息系统网络数据流量监控具有实时性和准确性,提高了网络供电的稳定性。     

基于动态阈值的变压器异常状态检测

为提升电力变压器状态检修效率和异常状态检测、预警能力,考虑变压器在线监测数据、检修数据及设备本体数据间的相关性,提出了一种基于动态阈值的变压器异常运行状态检测方法,通过构造动态预测模型对特征参数基线进行刻画。在此基础上,采用贝叶斯网络推算变压器运行状态,以概率大小判断变压器可能状态,并基于实际运行数据对所提方法进行了验证分析。计算结果表明此方法可对异常检测数据有效检测,能够对变压器异常状态准确识别和预测。     

基于大数据分析的输变电设备状态数据异常检测方法

传统的阈值判定方法难以准确检测输变电设备的状态异常,该文提出一种基于时间序列分析和无监督学习等大数据分析的异常检测方法,从数据演化过程、数据关联的全新角度实现异常检测。通过时间序列模型和自适应神经网络对历史数据潜在的特征进行挖掘,并将数据对时间的动态变化规律用转移概率序列表示。针对多维的监测数据,运用无监督聚类方法简化各参量之间的相关关系,从而避免参量间相关性难以确定的问题。提出异常检测体系,并使之适用于输变电设备状态监测数据流,实现数据流中异常的快速检出。最后结合运行实例验证了提出方法的有效性,表明本方法能快速检测出设备的异常运行状态。     

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.针对数据维度之间的分布差异特性,运用马氏距离度量方法,基于每个样本点到数据分布中心的马氏距离,设计了对数区间隔离策略,构建多个子树,并将其整合成对数区间隔离森林异常检测器,筛选出数据集中的异常样本,兼顾检测精度和检测效率.公开数据集和某省级电网调度中心业务数据集作为训练与测试样本,验证了所提方法在异常检测AUC值等综合性能上的先进性及其在实际系统应用中的可行性.     

基于电力数据的重点人群在室用电行为分析方法研究及应用

挖掘电力大数据蕴含丰富的隐藏信息是当前重要研究方向。针对市域治理中重点人群漏管、脱管、失控等管理难题,应用电力大数据融合驱动的理念,开展基于电力行为分析模型的重点人群在室监测技术研究。首先,结合市域治理需求构建基于多维电力大数据的分析应用框架;其次,创新性提出基于“电力行为-在室行为”异常分析模型,通过熵权法对用电特征向量信息进行动态权重分配形成动态加权余弦相似度分析模型,并对以历史样本相似度规律形成判断阈值,实现重点人群在室用电态势感知和异常研判;再次,面向多源系统及多方服务应用主体,进行了“平台流-技术流-业务流”三流合一的工程应用架构设计;最后,分析南京江北的公安数字化市域治理项目的应用成效,验证电力大数据深度挖掘对推动科技强警的重要作用。     

基于层次聚类分析的变压器油中溶解气体在线监测数据异常检测

油中溶解气体分析是电力变压器常用的状态检测手段,在变压器运行与维护中发挥了显著作用,但因现有油中溶解气体在线监测系统可靠性问题及现场干扰,监测数据中充斥着大量的伪数据及错数据,易引起误判。针对此问题,监测系统常采用基于数据分布统计的阈值法判定数据真伪,因数据分布规律预先难以掌握,造成异常数据检出率普遍低下问题。文中依据油中溶解气体在线监测数据时间序列特点,提出了一种基于凝聚层次聚类的异常数据检测方法。首先,利用滑动时间窗对多种油中气体监测数据进行预处理,获得监测数据时间序列集,接着通过综合应用均值、阈值、标准差、小波变换周期性分量等指标对其进行分类建立异常类型的典型时序图谱;在此基础上,利用凝聚层次聚类模型,对不同特征的数据点与典型异常图谱的距离进行相似性聚类,以确定监测数据的异常类型。通过实际监测数据应用验证表明,该方法可实时检测在线监测数据流中数据异常并确定其类型,简单且易操作,具有较好的理论及应用价值。     

考虑时间序列关联的变压器在线监测数据清洗EI北大核心CSCD

针对变压器设备大数据状态评估过程中存在数据缺失以及异常数据等问题,提出了一种基于关联规则分析和神经网络的数据清洗策略。首先通过关联规则挖掘,建立了衡量状态监测量间关联程度的数学模型,找出具有强关联性的时间序列。然后利用基于密度的聚类算法检测出序列中的缺失值以及异常点,提出了考虑序列关联性的清洗流程和规则,有效区分可清洗的传感器数据异常和设备状态异常。针对可清洗的数据点,利用小波神经网络模型进行缺失数据预测和错误数据修正,并动态修正小波神经网络参数和组合预测,提高了网络的清洗效率和准确率。以实际变压器设备在线监测数据为例进行测试,测试结果表明序列数据的关联性分析和小波神经网络相结合,能够有效提高变压器在线监测数据清洗的准确度。     

考虑时间序列关联的变压器在线监测数据清洗

针对变压器设备大数据状态评估过程中存在数据缺失以及异常数据等问题,提出了一种基于关联规则分析和神经网络的数据清洗策略。首先通过关联规则挖掘,建立了衡量状态监测量间关联程度的数学模型,找出具有强关联性的时间序列。然后利用基于密度的聚类算法检测出序列中的缺失值以及异常点,提出了考虑序列关联性的清洗流程和规则,有效区分可清洗的传感器数据异常和设备状态异常。针对可清洗的数据点,利用小波神经网络模型进行缺失数据预测和错误数据修正,并动态修正小波神经网络参数和组合预测,提高了网络的清洗效率和准确率。以实际变压器设备在线监测数据为例进行测试,测试结果表明序列数据的关联性分析和小波神经网络相结合,能够有效提高变压器在线监测数据清洗的准确度。     

基于多维气象信息时空融合和MPA-VMD的短期电力负荷组合预测模型

为提高电力负荷预测精度,需考虑区域内不同地区多维气象信息对电力负荷影响的差异性。在空间维度上,提出多维气象信息时空融合的方法,利用Copula理论将多座气象站的风速、降雨量、温度、日照强度等气象信息与电力负荷进行非线性耦合分析并实现时空融合。在时间维度上,采用海洋捕食者算法(MPA)实现变分模态分解(VMD)核心参数的自动寻优,并采用加权排列熵构造MPA-VMD适应度函数,实现负荷序列的自适应分解。通过将时间维度各分量与空间维度各气象信息进行融合构造长短期记忆(LSTM)网络模型与海洋捕食者算法-最小二乘支持向量机(MPA-LSSVM)模型的输入集,得到各分量预测结果,根据评价指标选择各分量对应的预测模型,重构得到整体预测结果。算例分析结果表明,所提预测模型优于传统预测模型,有效提高了电力负荷预测精度。     

大坝监测数据多维度LSTM异常检测与恢复

大坝安全监测是大坝安全的重要保障，对监测数据进行异常检测与恢复可有效避免对大坝状态的错误估计和判断，具有重要现实意义。近年来基于深度学习方法的大坝监测数据异常检测受到广泛研究，但现存方法存在数据利用不足、信息挖掘不充分等问题。因此，本文提出一种多维度LSTM异常检测与恢复方法，该方法用LSTM输入多个测点的大坝监测数据对单测点数据进行预测，有效利用了不同测点间的相关信息；最后利用拉依达准则对目标测点进行异常检测。本文利用大渡河瀑布沟水电站真空激光准直监测数据进行案例验证，通过与单维度的LSTM异常检测与恢复方法相比较，验证了所提方法能有效地检测数据异常和预测恢复正常数据，是一种有效的大坝监测数据异常检测与恢复方法。     

基于时-频域混合特征的变电站通信网异常流量检测方法

准确快速检测智能变电站通信网络异常流量是发现系统异常、实现安全态势感知和主动防御的关键技术,对保证智能电网安全稳定运行有着重要意义。文中提出了基于时-频域混合特征的智能变电站通信网络异常流量检测新方法。首先,设计了基于分形自回归积分滑动平均(FARIMA)流量模型和小波包分析方法的流量频域特征提取方法,并结合电力信息流时域特征构建时-频域混合特征集。进而,采用人工蜂群优化的支持向量机算法进行异常流量辨识。最后,基于某110 kV变电站的站内实际网络流量和CIC DDoS2019数据集、KDD99数据集进行仿真,结果表明所提算法对网络异常流量识别有更低的误判率和漏检率。     

一种通信网络业务流异常实时侦测方法

随着网络技术的快速发展,新的应用类型迅速产生,同时网络流量也呈指数增长,这带来了网络流量异常检测的新挑战。提出了一种快速检测网络流量异常的新方法,将网络流量视为一个时间信号的序列,将其构造成一个流量矩阵。对流量矩阵进行主成分分解,再分别对这两部分进行经验模态分解,得出快速异常检测算法。仿真结果表明,这种方法是可行的。     

基于结构熵的电力骨干通信网抗毁性研究

电力骨干通信网抗毁性分析对于评价电力通信网络的生存性能,制定网络的保护策略具有重要的意义。结合复杂网络异构性,基于电力骨干通信网拓扑结构,构建了网络节点差异性矩阵。依据电力通信的业务特点,将链路传输流量作为链路的权重,构建了网络链路差异性矩阵。融合节点及链路差异性定义了节点重要度及电力骨干通信网的结构熵。以一个实例网络对网络的节点重要度及蓄意攻击下以结构熵为指标的网络抗毁性进行了仿真分析,结果表明了所提方法的合理性和有效性。     

一种基于链形混合拓扑的输电线路温度异常检测方法

我国输电线路存在异常检测数据准确性和及时性较低,无线环境恶劣,数据在时空难关联等问题,因此建设一个高效、安全、准确的输电线路异常检测模型迫在眉睫。提出一种基于链形混合拓扑的异常检测方法,将传感器采集到的数据送至基站进行单源和多源多维数据异常检测。该方法首先设计了一种基于时间维度的单源数据异常检测算法(single-source data anomaly detection algorithm, SDADA),对检测时间内的数据进行依次遍历,确定有效和异常数据的个数,然后对异常检测结果进行综合分析。其次,设计了一种在基站端执行的多源多维数据异常检测算法(multi-source and multi-dimensional data anomaly detection algorithm, MDADA),在SDADA的基础上,通过位置相关性定义了不同传感器之间的距离关系,用于确定候选异常检测队列,并对特定时间的异常数据值进行综合分析。实验结果表明,与传统方案相比,该方法具有更高的检测精度和执行效率。     

基于自监督特征增强的CNN-BiLSTM网络入侵检测方法

针对网络入侵检测中攻击样本和流量特征不足的问题,提出一种基于自监督特征增强的CNN-BiLSTM网络入侵检测方法,实现在流量数据中检测异常网络流量的目标。通过分析流量特征数据分布差异,采用IQR异常值处理方法进行数据预处理,使用自编码器对攻击样本进行数据增强,构建CNN-BiLSTM神经网络和自编码器组成半自监督模型,分别提取高维流量特征和自监督特征,将组合特征作为最终特征输入到分类模型中进行预测分类,实现网络入侵检测。实验结果表明,与其他入侵检测方法相比,所提方法在准确率和F1分数上分别达到了85.7%和85.1%,能够有效提高网络入侵的检测精度以及对未知攻击的检测能力。     

基于偏序约简的智能电网大数据预处理方法

针对电力一次系统和电力信息系统的数据所具有的多维度、时空混杂等特征,建立了一种基于偏序约简的大数据属性约简预处理方法。该方法综合利用了MapReduce的可并行化优点,着眼于并发事件间的独立性,可以满足电力大数据属性维度与约简方面的覆盖要求。最后,分别以某光伏发电系统监测数据、变压器故障诊断数据和智能变电站通信系统实时性与可靠性预测数据为例,对属性约简进行模拟计算,并通过Hadoop平台进行测试,表明所提出的电力大数据属性约简方法性能优良。     

基于抗毁性的青海电力通信网可靠性研究

从网络抗毁性、节点重要度、生成树的概念以及链路重要度的评价方法对网络拓扑结构进行研究与分析,结合青海电力公司通信网拓扑结构,用熵的测量方法来评估青海电力公司网络抗毁性。该方法首先将网络结构节点重要度以及链路重要度量化,然后计算电力通信网抗毁性。把所提出的方法应用于青海电力通信网,并对其部分通信网络完成抗毁性研究与分析。