基于大数据分析的电力运行数据异常检测示警方法

发布时间：2020-12-23 15:54

　　传统的数据检测方法易受电力系统环境变化的影响,难以对加时窗数据进行检测,降低检测准确率。为此,该文利用大数据分析技术估计电力运行数据的最大似然值等信息,设计新的电力运行数据异常检测示警方法,从根本上提高检测准确率。根据电力运行数据异常检测示警原理,对不同时窗中的子序列进行聚类处理,确定每个时窗中的异常数据;通过提取单数据、多数据特征量,用转移概率序列表示电力运行数据动态变化情况,在完成正常数据与异常数据间模糊特征聚类的基础上,采用大数据分析方法计算电力运行均值和方差,完成最大似然值估计,通过似然比建立异常情况检测与示警流程,对数据异常情况进行检测示警。实验结果表明,在油温和环境温度变化的情况下,所提方法的检测准确率较高,且示警过程耗时较少,证明该方法整体有效性较高。 

【文章来源】：中国测试. 2020年07期 北大核心

【文章页数】：6 页

【部分图文】：

基于大数据分析的检测流程图

对电力运行数据异常情况进行检测与示警的流程如图3所示。针对不同参量的历史数据，通过大数据分析方法获取转移概率矩阵，并对多元时间序列进行聚类。将在线检测实时数据流进行转移，根据转移概率矩阵能够得到各个参量转移概率序列，并及时判断不同时间点的数据是否属于生成簇。依据上述内容，对数据流进行异常检测与示警，异常检测示警具体实现方案如下所示：

以某电力系统中的电力设备为主，选择2019年1月1日—6月1日的油温、环境温度数据作为基础数据进行样本训练。油温、环境温度变化情况如图4所示。由图可知，随着观测时间增加，油温呈上升趋势，而环境温度略有下降，但基本保持稳定，维持在20℃。

【参考文献】：
期刊论文
[1]Discovering unusual structures from exception using big data and machine learning techniques[J]. Jianshu Jie,Zongxiang Hu,Guoyu Qian,Mouyi Weng,Shunning Li,Shucheng Li,Mingyu Hu,Dong Chen,Weiji Xiao,Jiaxin Zheng,Lin-Wang Wang,Feng Pan.  Science Bulletin. 2019(09)
[2]智能电能表异常测量数据诊断方法综述[J]. 裴茂林,黄洋界,赵伟,李世松.  电测与仪表. 2018(23)
[3]基于低秩模型的电力状态数据异常检测[J]. 李永攀,门锟,吴俊阳.  计算机工程与应用. 2019(16)
[4]Set-theoretic detection of data corruption attacks on cyber physical power systems[J]. Efstathios KONTOURAS,Anthony TZES,Leonidas DRITSAS.  Journal of Modern Power Systems and Clean Energy. 2018(05)
[5]基于用电大数据的中长期负荷预测研究[J]. 郑海雁,王成亮.  电测与仪表. 2018(13)
[6]电力设备状态大数据分析的研究和应用[J]. 江秀臣,盛戈皞.  高电压技术. 2018(04)
[7]基于大数据分析的智能配电网状态监测与故障处理方法研究[J]. 柴谦益,郑文斌,潘捷凯,陆绍彬,温积群.  现代电子技术. 2018(04)
[8]基于Spark框架的能源互联网电力能源大数据清洗模型[J]. 曲朝阳,张艺竞,王永文,赵莹.  电测与仪表. 2018(02)
[9]基于数据挖掘和主成分分析的电力设备状态评价[J]. 贺川双,杜修明,严英杰,陈玉峰,盛戈皞,江秀臣.  高压电器. 2017(12)
[10]大型数据库中异常信息检测仿真研究[J]. 薛鑫.  计算机仿真. 2017(08)



本文编号：2933965