文档名：基于改进K均值联合SVDD的电力数据异常检测方法
摘要：电力数据高维、非线性特点导致传统单一异常检测模型存在检测准确率低、误漏报率高的问题,为了解决此问题,提出一种最小熵K-均值和果蝇算法(fruitflyoptimizationalgorithm,FOA)优化支持向量数据描述(supportvectordatadescription,SVDD)相结合的电力数据异常检测方法.首先提取波动性特征、变动性特征和趋势性特征并利用主成分分析(principalcomponentanalysis,PCA)进行特征变换从而实现对高维电力数据的降维表征,其次利用最小熵理论改进的K-均值算法对用电数据进行自适应聚类,将用电模式接近的用户划分为同一聚类,采样SVDD对每个聚类进行异常检测,为了提升SVDD模型聚类性能,利用改进后的变步长FOA算法对其优化,提升异常检测性能.基于某电网实测用电数据开展试验,结果表明所提方法相对于单一检测模型能够获得更高的检测准确率和更低的误漏报率.
作者：林昱奂 胡嘉铭 戴伟力 黄波Author：LINYuhuan HUJiaming DAIWeili HUANGBo
作者单位：广东电网有限责任公司广州番禺供电局,广州510000
刊名：电力电容器与无功补偿
Journal：PowerCapacitor&ReactivePowerCompensation
年，卷(期)：2023, 44(5)
分类号：
关键词：电力大数据 异常用电 模型优化 特征提取 数据降维
Keywords：powerbigdata abnormalpowerconsumption modeloptimization featureextraction datadimensionreduction
机标分类号：TP309TH137TP273
在线出版日期：2023年11月23日
基金项目：广东电网有限责任公司广州供电局科技项目基于改进K-均值联合SVDD的电力数据异常检测方法[
期刊论文] 电力电容器与无功补偿--2023, 44(5)林昱奂 胡嘉铭 戴伟力 黄波电力数据高维、非线性特点导致传统单一异常检测模型存在检测准确率低、误漏报率高的问题,为了解决此问题,提出一种最小熵K-均值和果蝇算法(fruitflyoptimizationalgorithm,FOA)优化支持向量数据描述(supportvectord...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于改进K-均值联合SVDD的电力数据异常检测方法 Power Data Abnormaly Detection Method Based on Improved K-means and SVDD
基于改进K-均值联合SVDD的电力数据异常检测方法.pdf
- 文件大小:
- 1.56 MB
- 下载次数:
- 60
-
高速下载
|
