电力系统异常检测与分类研究

发布时间：2023-02-01 18:40

　　以电力系统为目标的网络攻击和设备故障等突发事件会引发用户端的不正常断电和中断,造成巨大的经济损失和安全事故。因此,基于机器学习的电力系统异常检测与分类方法具有重要的研究价值和现实意义。现有的有监督电力系统异常检测与分类方法不能识别未知事件或攻击且训练数据不足时性能骤降,而无监督电力系统异常检测与分类方法性能低下且无法提供异常事件或攻击具体信息,本文提出了两种不同的电力系统异常检测与分类方法来解决以上问题。其具体内容和创新之处如下所示:（1）针对电力系统异常检测查全率较低和性能骤降的问题,本文提出了一种组合型电力系统异常检测方法,该方法能够根据输入训练数据的数量自动选择最佳的检测算法。主要创新点在于当训练数据充足时,使用增强型多粒度级联森林来进行异常检测,利用梯度提升决策树来替换级联森林中的完全随机森林,进一步增强了级联森林的集成性和健壮性,改良后的多粒度级联森林不仅具有深度学习算法的优良特性,还有效地缩短了训练所需的时间,降低了模型的复杂度。当训练数据不足时,使用遗传算法进行异常检测,并且通过浮点数编码对遗传算法进行了改良,从而加快了收敛速度,简化了操作难度,缩短了训练时间,基于遗传算... 

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究历史与现状
    1.3 本论文的主要内容与创新
    1.4 本论文的内容章节安排
第二章 电力系统异常检测与分类相关技术
    2.1 电力系统基本结构与网络架构
    2.2 电力网络广域监测系统
    2.3 电力系统异常检测与分类技术
    2.4 机器学习算法简介
    2.5 特征预处理技术
    2.6 本章小结
第三章 电力系统异常检测研究
    3.1 电力系统异常检测问题描述
    3.2 组合型电力系统异常检测方法
    3.3 基于增强型多粒度级联森林的异常检测
    3.4 基于遗传算法的异常检测
    3.5 方案仿真与结果分析
        3.5.1 仿真环境与数据集
        3.5.2 实验实施与参数设置
        3.5.3 结果评估与分析
    3.6 本章小结
第四章 电力系统异常分类研究
    4.1 电力系统异常分类问题描述
    4.2 两种电力系统异常分类方法
    4.3 自适应电力系统异常分类方法
        4.3.1 数据采集和预处理阶段
        4.3.2 基于增强型多粒度级联森林的分类阶段
        4.3.3 未知事件检测与系统更新阶段
    4.4 基于半监督聚类的电力系统异常分类方法
        4.4.1 基于遗传算法的异常检测
        4.4.2 基于KNN思想的标记扩展
        4.4.3 聚类中的特征选择
        4.4.4 基于半监督聚类的异常分类
        4.4.5 相似度量法判断未知攻击
    4.5 方案仿真与结果分析
        4.5.1 仿真环境和数据集
        4.5.2 实验实施和参数设置
        4.5.3 仿真结果和对比分析
    4.6 本章小结
第五章 总结与展望
    5.1 全文研究总结
    5.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果


【参考文献】：
期刊论文
[1]基于电网运行大数据的在线分布式安全特征选择[J]. 黄天恩,孙宏斌,郭庆来,温柏坚,郭文鑫.  电力系统自动化. 2016(04)
[2]浅析我国电力系统存在的问题[J]. 吕萍,陈利.  中国高新技术企业. 2015(13)
[3]面向智能电网应用的电力大数据关键技术[J]. 彭小圣,邓迪元,程时杰,文劲宇,李朝晖,牛林.  中国电机工程学报. 2015(03)
[4]基于云计算技术的电力大数据预处理属性约简方法[J]. 曲朝阳,陈帅,杨帆,朱莉.  电力系统自动化. 2014(08)
[5]Hadoop云构架的智能调度无损集群压缩技术[J]. 屈志坚,郭亮,陈秋琳,蒋俊俊.  电力系统自动化. 2013(18)
[6]一种基于邻域距离的聚类特征选择方法[J]. 秦奇伟,梁吉业,钱宇华.  计算机科学. 2012(01)

硕士论文
[1]城市公共交通换乘客流时空分布可视化及站点聚类分析[D]. 傅准.广东工业大学 2019
[2]电力系统同步相量测量算法的研究[D]. 蒋超.山东大学 2011



本文编号：3734374