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。     

基于稠密度聚类的电力载波通信故障恢复控制方法

为了提升电力载波通信质量，提出一种基于稠密度聚类的电力载波通信故障恢复控制方法。采用稠密度聚类法实现电力载波通信异常数据聚类，挖掘电力载波通信异常数据；通过数据预处理方法实现异常数据的标准化、规则化、归一化处理；依据强化学习方法判断电力载波通信异常数据所在链路，根据需恢复控制链路中需恢复的通信数据状况，获取最新最佳的链路恢复控制方案，实现电力载波通信故障恢复控制。研究结果表明，所提方法对不同数量的电力载波通信异常数据挖掘耗时始终低于20 ms,时间复杂度和对比方法相比较小，应用效率显著；对电力载波通信故障恢复控制结果和需恢复资源量间仅存在1 dB之差，恢复控制效果有效。     

电力营商环境用户行为信任度自适应判断系统设计

为了有效判断用户行为的信任度,提升电力营商环境安全性与服务效果,设计了一种电力营商环境用户行为信任度自适应判断系统。利用k-means算法挖掘实体层提供的用户数据与交互数据,获取用户行为习惯数据;通过多维综合度量法,计算营商环境的表现信任度、内部属性信任度、认证信任度,获取综合环境信任度;在长短期记忆网络内输入用户行为习惯数据,输出用户历史行为信任度,自适应判断用户是否具备访问权限。实验证明,该系统可精准挖掘用户行为习惯数据,有效评估用户行为信任度。     

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。     

一种融合了异常数据识别的CMM改进算法

针对聚类过程中有意义的异常数据难以识别的问题,在改进CMM算法的基础上,提出了一种融合了异常数据识别的层次聚类算法。采用CMM方法提出的原子簇思想,通过重新定义簇中心、噪声判断标准以及改进循环机制等手段提高聚类准确性及算法效率。提出了异常数据的概念和定义,并将其识别算法引入聚类过程过程。基于仿真及实际数据的实验结果证明,该算法能够根据设定参数准确识别异常数据,同时其聚类准确性及性能针对CMM算法也有了相应提高。     

基于K均值聚类的居民用电行为特征分析

论文以某智能小区的一户居民用户电力负荷数据为研究对象,利用K均值聚类算法提取该用户不同日类型下的负荷特征曲线,分析其用电行为,为客户用电精细化管理提供依据.首先根据用户档案采集和整理的用电数据,采用向前向后移动平均法和归一化方法对数据集进行数据清洗和标准化预处理;然后,采用轮廓图法和平均轮廓值法确定初始聚类数;最后,利用K均值聚类算法对该用户用电负荷提取节假日以及不同季节的负荷特征曲线,结合家用电器使用负荷热力图,分析该用户用电行为特征.算例分析结果表明,采用K均值聚类算法可以明显区分用户负荷曲线的特征,实现用户用电行为的分析,为客户用电的精细化管理、提供优质的用电服务等提供支持.     

基于聚类算法的电力大数据信息分析系统研究

为了提高电力大数据处理与分析能力,通过构建聚类算法模型,将电力大数据信息的宏观数据信息转换为微观数学思维,增强了大数据信息分析能力。采用MapReduce的分布实现电力大数据系统的总体架构规划。采用生成式对抗网络(GAN)技术对电力监控的数据进行合理化分析,对系统安全进行改进,以实现电网数据的漏洞修复,为后续检修提供安全保障。利用聚类算法,实现对电力大数据的异常检测。试验结果表明,该系统的信息安全可靠性达到了97%,系统异常检测准确性达到了96%。所研究系统的准确性更高。     

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.     

基于MDS-WFCM的日负荷曲线聚类方法

电力负荷曲线聚类是挖掘电力消耗大数据的主要方法。为解决现有研究中聚类方法在运行效率、聚类质量等方面存在的不足，提出了一种基于多维标尺(MDS)及加权模糊C均值聚类(WFCM)的日负荷曲线聚类方法。首先使用MDS将负荷曲线数据降维处理，然后利用最小二乘法原理(LSM)确定降维指标数目以及改进熵权法确定指标权重，最后采用WFCM聚类方法对日负荷曲线聚类分析。算例分析表明，所提方法在聚类效率、质量以及算法鲁棒性方面均优于传统方法。     

基于大数据技术的网络信息传输安全监测方法

为实时监测网络信息传输中安全态势,设计了一种针对网络信息传输的安全监测方法。首先,利用大数据技术进行网络信息安全因素的模糊等价处理,实现基于大数据技术的网络信息安全因素关联分析;其次,标记网络信息的传输节点,聚类节点安全行为;再次,通过分析与对比聚类后节点之间关联程度,判断网络信息在传输中是否存在异常行为,实现信息传输安全监测;最后,经对比实验结果表明,设计的方法应用效果良好,有效提高了监测结果的可靠度。     

基于粒子群算法的低压用户超容用电优化研判策略

随着我国的经济不断发展,电网规模逐渐扩大,面临的挑战也逐渐增加。电网末端极容易出现低电压和用户超容用电等问题,低压用户超容用电会严重影响局部电力系统稳定性,容易造成线损增加甚至威胁电网安全。本文提出了一种基于粒子群算法的低压用户超容用电优化研判策略,建立了用户特征优化模型,通过分析海量用户数据中出现的异常情况来准确判断用户是否为低压超容用户,同时针对海量低压超容用户研判的常规流程进行改进,提出了优化研判策略。算例结果表明,本文所述方法能够从海量用户中准确研判低压超容用户,并且较人工审核方式提高了2.86%的判断准确率。     

基于时间序列分析的用户异常供用电自动监测系统设计

为解决当前用户异常供用电自动监测系统存在吞吐量低,运行效率慢等问题,在时间序列分析基础上,设计用户异常供用电自动监测系统。系统设计首先构建C/S三层框架,包括数据采集层、数据应用层以及数据发布层,然后根据系统结构确定数据采集设备、数据处理设备以及数据显示设备,作为系统硬件主要组成部分,最后采用时间序列分析方法,设计异常检测软件程序,实现用户供用电异常自动监测。经实验结果分析可知,与基于神经网络、机器学习以及K-means聚类的用户异常供用电自动监测系统相比,基于时间序列分析的用户异常供用电自动监测系统吞吐量最大,达到235 byte,由此说明系统监测效率提高。     

基于多元增量分析模型的流域电厂大数据采集监视

提出基于多元增量分析模型的流域电厂大数据采集监视方法,通过数据分析发现异常电厂大数据,保障流域电厂安全运行。数据采集层在PIC18F8722单片机控制下利用多种传感器获取采集对象层的多种流域电厂数据,经数据汇集层的弹性消息总线和转发代理,将采集数据传输至数据处理层数据接收模块,多元增量分析模型调用接收到的数据,通过增量的方式构建电厂数据矩阵正常检测模型,对比其与待检测数据,发现异常电厂大数据,并将异常检测结果族谱写入数据存储层数据库所对应的列簇里,通过前端展示层将监视结果呈现给用户。实验结果表明,该方法可精准、快速采集流域电厂海量数据,可有效发现流域电厂的异常数据,并将其可视化呈现,确保流域电厂安全运行。     

流计算与内存计算架构下的运营状态监测分析

为满足对电网实时运营状态分析过程中对用户实时用电量数据等大规模实时数据进行实时分析处理的需求,实现对电网运营决策提供快速准确的数据分析支持,提出一种流计算与内存计算相结合的大规模数据分析处理的系统架构。将经过时间窗划分的用户实时用电量数据进行离散傅里叶变换（DFT）,实现对异常用电行为评价指标的构建;将基于抽样统计分析构造出的用户用电行为特征,采用K-Means聚类算法实现对用户用电行为类别的划分。从实际业务系统中抽取实验数据,验证了提出的异常用电行为和用户用电分析评价指标的准确性。同时,在实验数据集上与传统的数据处理策略进行对比,实验结果表明流计算与内存计算相结合的系统架构在大规模数据分析处理方面更具优势。     

嵌入式机房多功能模块智能监控系统设计

为充分提高嵌入式机房运维能力,及时排除异常情况,提出嵌入式机房多功能模块智能监控系统。设计信号采集层、数据传输层、后台监控层的多层架构模式。硬件结构设计用户登录模块、传感器运行模块、数据记录模块和监控显示模块,四个功能模块在多层架构下工作。软件部分通过数据传输程序连接终端设备与云计算中心,利用数据处理程序完成功能模块参数设置,完成嵌入式机房运行数据自动监控。实验结果表明,所设计系统数据采集精度高,可以实时响应接入设备,及时获取预警信息,实现嵌入式机房自动智能监控。     

CloudStack云平台异常运行告警系统设计与实现

传统系统存在告警效果差的问题,为了避免该问题,提出了CloudStack云平台异常运行告警系统设计与实现。体系结构中的基础设施层是通过CloudStack云平台创建多个虚拟机的,服务层是以C8051F0403型号芯片为信息采集器来采集异常信息的,核心服务层以ARM7TDMI内核微处理器为主,设计监控终端硬件结构,结合全球通GSM短信收发,监控异常运行状态,通过用户接口层为系统提供告警信息。对告警客户端进行功能设计,通过规定的文件格式,计算信息发送和匹配程度,实现异常运行告警系统设计。由测试结果可知,该系统告警精准度最高可达98%,为用户信息安全传输提供保障。     

基于电力大数据的用户用电感知研究

在基于电力大数据对用户提供多元化服务的研究中,发现电网在不同时刻停电,不同用户的停电感受不一样以及在调度计划制定时,由于不同线路所带用户不同需进行差异化服务。为此,提出基于电力大数据的用户用电感知研究。首先通过电网内部系统及外部系统进行数据采集,然后基于大数据从多维度进行数据处理和分析,建立了用电需求模型和用户用电感知模型并进行了深入应用;通过该模型可以实现有限投资供电可靠性提升最快,最大限度满足用户需求;可最大限度实现不同行业、类别的用户用电互补,提高设备利用率;可实现用电感知最低时段停电,停电涉及用户更精准。该模型的引用实现了电网规划、用户接入、调度运行的智能决策,使电网规划投资更精准,固定投资提升可靠性最快,提高设备利用效率和用户满意度。     

结合用户兴趣度聚类的协同过滤推荐算法

针对传统的协同过滤算法忽略了用户兴趣源于关键词以及数据稀疏的问题,提出了结合用户兴趣度聚类的协同过滤推荐算法。利用用户对项目的评分,并从项目属性中提取关键词,提出了一种新的RF-IIF （rating frequency-inverse item frequency）算法,根据目标用户对某关键词的评分频率和该关键词被所有用户的评分频率,得到用户对关键词的偏好,形成用户—关键词偏好矩阵,并在该矩阵基础上进行聚类。然后利用logistic函数得到用户对项目的兴趣度,明确用户爱好,在类簇中寻找目标用户的相似用户,提取邻居爱好的前◢N◣个物品对用户进行推荐。实验结果表明,算法准确率始终优于传统算法,对用户爱好判断较为准确,缓解了数据稀疏问题,有效提高了推荐的准确率和效率。     

基于云模型理论的群体用户画像模型

为了能够对群体用户中不确定性和模糊性的行为精确的定量分析和定性相似度的计算,设计了一个基于云模型理论的定性相似度算法来给群体用户构建画像模型.首先,采用识别客户价值最广泛的RFM （Recency,Frequency,Monetary）模型来细分用户.其次,通过云模型变换算法将用户的行为转换为用户的云模型标签,该云模型标签就是对用户行为的一次定量表示,然后通过云模型聚类算法来划分出不同的客户类型,作为客户画像的模型,利用该模型指导商业营销活动.     

面向电子商务的用户异常行为检测研究

针对电子商务中用户异常交易行为的检测问题,文章首先根据用户行为日志数据的特点将其分割为静态属性集和操作序列集,然后利用基于轴属性的Apriori算法和GSP序列模式挖掘算法分别对这两种类型的数据集进行模式挖掘,在此基础上建立用户的正常行为模式,最后使用基于先后顺序的模式比较方法将用户当前的行为模式与其历史正常行为模式进行匹配,以此来判断该用户的交易行为是否异常。在真实数据集上的实验表明,该方法能有效发现电子商务中用户的异常行为。