文献类型：期刊文章

作　　者：王锋[1] 高欣[2] 贾欣[2] 任昺[1] 查森[2]

WANG Feng;GAO Xin;JIA Xin;REN Bing;ZHA Sen(School of Modern Post,Beijing University of Posts and Telecommunications,Haidian District,Beijing 100876,China;School of Artificial Intelligence,Beijing University of Posts and Telecommunications,Haidian District,Beijing 100876,China)

机构地区：[1]北京邮电大学现代邮政学院,北京市海淀区100876 [2]北京邮电大学人工智能学院,北京市海淀区100876

出　　处：《电网技术》

年　　份：2021

卷　　号：45

期　　号：12

起止页码：4818-4827

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：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。

关 键 词：电力调度自动化系统异常检测  局部异常  马氏距离  集成学习  对数区间隔离  

分 类 号：TM721]