吳蕊 張安勤 田秀霞 張挺

摘要： 異常檢測方法在電力領(lǐng)域有著廣泛的應(yīng)用， 如設(shè)備故障檢測和異常用電檢測等. 改進(jìn)了傳統(tǒng)Kmeans聚類隨機(jī)選擇初始聚類中心的策略; 結(jié)合數(shù)據(jù)對象的密集度與最大近鄰半徑， 選擇更加接近實際簇中心的數(shù)據(jù)點作為初始聚類中心， 并在此基礎(chǔ)上提出了一種基于改進(jìn)K-means 算法的電力數(shù)據(jù)異常檢測新方法. 實驗表明， 上述算法具有更優(yōu)的聚類效果和異常檢測性能， 并且在應(yīng)用于電力領(lǐng)域時， 算法可以有效地檢測出異常電力數(shù)據(jù).

關(guān)鍵詞： 初始聚類中心; 密集度; 異常檢測

中圖分類號： TP393 文獻(xiàn)標(biāo)志碼： A DOI： 10.3969/j.issn.1000-5641.201921012

0 引言

隨著智能電網(wǎng)的不斷發(fā)展， 現(xiàn)代電力技術(shù)正在向智能化、信息化、數(shù)字化方向高速發(fā)展[1]. 電力系統(tǒng)中各類設(shè)備實時數(shù)據(jù)的增加導(dǎo)致電網(wǎng)數(shù)據(jù)量飛速增長， 這些數(shù)據(jù)不僅增加了統(tǒng)計分析的難度， 而且數(shù)據(jù)異常、冗余、遺漏等問題嚴(yán)重影響了電網(wǎng)安全[2].智能電網(wǎng)容易受到信息及網(wǎng)絡(luò)方面的攻擊. 比如， 烏克蘭和委內(nèi)瑞拉停電事件， 都對當(dāng)?shù)厣鐣斐删薮笥绊慬3]. 因此， 如何在海量的日常數(shù)據(jù)中準(zhǔn)確檢測出異常的信息， 包括外部攻擊數(shù)據(jù)和系統(tǒng)內(nèi)部隱患數(shù)據(jù)， 對保證智能電網(wǎng)的安全運行具有重要意義.