文献类型：期刊文章

作　　者：黄林[1] 常健[1] 杨帆[1] 李忆[2] 牛新征[2]

HUANG Lin;CHANG Jian;YANG Fan;LI Yi;NIU Xinzheng(State Grid Sichuan Electric Power Company Information and Communication Corporation,Chengdu 610015,Sichuan Province,P.R.China;School of Computer Science and Engineering,University of Electronic Science and Technology of China,Chengdu 611731,Sichuan Province,P.R.China)

机构地区：[1]国网四川省电力公司信息通信公司,四川成都610015 [2]电子科技大学计算机科学与工程学院,四川成都611731

出　　处：《深圳大学学报（理工版）》

基　　金：四川省科技计划资助项目(2017FZ0094);成都市科技资助项目(2017-RK00-00021-ZF);国网四川省电力公司信息通信公司资助项目(SGSCXT00XGJS1800219)~~

年　　份：2020

卷　　号：37

期　　号：2

起止页码：214-220

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：电力信息系统可用于管控电力设备,检测电力信息系统的异常对维持电力设备的稳定运行具有重要意义,但传统的异常检测方法难以检测电力信息系统中存在的多个指标综合异常的情况,为解决该问题,提出一种基于改进k-means算法的异常检测方法.将数据空间划分为网格,以网格均值点映射该网格内所有样本点来压缩数据,减少了计算量;通过引入基于聚类边界密度和簇密度移动聚类边界的机制,提高k-means算法的准确率,以准确识别正常模式;通过计算数据与正常模式的偏离程度,检测异常.实验结果表明,该方法能准确挖掘多指标综合异常,与其他异常检测方法比较,检测运行时间由16.44s减少到0.55s,异常检测的准确率提高了5.2%,在电力运维异常检测领域具有良好的工程应用前景.

关 键 词：电力信息系统 模式识别 异常检测 数据压缩 K-MEANS算法 聚类  

分 类 号：TP391]