基于时间序列提取和维诺图的电力数据异常检测方法.pdfVIP

下载本文档

16
0
约3.07万字
约 6页
2017-07-10 发布于湖北
举报
版权申诉

基于时间序列提取和维诺图的电力数据异常检测方法.pdf

1、本文档共6页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于时间序列提取和维诺图的电力数据异常检测方法.pdf

第３８卷第５期电　力　建　设Ｖｏｌ３８ꎬＮｏ５２０１７年５月ＥｌｅｃｔｒｉｃＰｏｗｅｒＣｏｎｓｔｒｕｃｔｉｏｎＭａｙꎬ２０１７基于时间序列提取和维诺图的电力数据异常检测方法裴湉ꎬ齐冬莲 (浙江大学电气工程学院ꎬ杭州市３１００２７) 摘　要:电力网络中信息系统与物理系统的深度融合ꎬ导致现代电力系统易受异常数据的影响ꎮ 现有的电力数据异常检测方法未能充分挖掘数据特征ꎬ存在计算复杂、灵活性差、精度较低等缺点ꎮ 提出一种基于时间序列提取和维诺图的异常数据检测方法ꎬ利用重要点分段的时间序列提取方法ꎬ将高维数据进行降维处理ꎬ并将其映射到二维平面上ꎬ构造维诺图分区ꎬ进而检测出异常数据ꎮ 该方法可降低数据维度和算法复杂度ꎬ能根据序列特征灵活设定异常阈值ꎬ实现异常数据的准确检测ꎬ仿真实验证明所提方法的有效性ꎮ 关键词:时间序列ꎻ维诺图ꎻ异常检测ꎻ电力数据ＯｕｔｌｉｅｒＤｅｔｅｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＣｏｍｐｒｅｓｓｅｄＴｉｍｅＳｅｒｉｅｓａｎｄＶｏｒｏｎｏｉＤｉａｇｒａｍｆｏｒＰｏｗｅｒＤａｔａＰＥＩＴｉａｎꎬＱＩＤｏｎｇｌｉａｎ (ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇꎬＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙꎬＨａｎｇｚｈｏｕ３１００２７ꎬＣｈｉｎａ) ＡＢＳＴＲＡＣＴ:Ｔｈｅｄｅｅｐｉｎｔｅｇｒａｔｉｏｎｏｆｉｎｆｏｒｍａｔｉｏｎｓｙｓｔｅｍａｎｄｐｈｙｓｉｃａｌｓｙｓｔｅｍｍａｄｅｐｏｗｅｒｓｙｓｔｅｍｅａｓｉｌｙａｆｆｅｃｔｅｄｂｙｏｕｔｌｉｅｒｄａｔａꎬｗｈｉｌｅｔｈｅｅｘｉｓｔｉｎｇｏｕｔｌｉｅｒｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓｆｏｒｐｏｗｅｒｓｙｓｔｅｍｄｉｄｎｔｔａｋｅｔｈｅａｄｖａｎｔａｇｅｓｏｆｄａｔａｆｅａｔｕｒｅｓꎬａｎｄｈａｄｐｒｏｂｌｅｍｓｓｕｃｈａｓｈｅａｖｙｃｏｍｐｕｔａｔｉｏｎꎬｂａｄｆｌｅｘｉｂｉｌｉｔｙａｎｄｌｏｗｐｒｅｃｉｓｉｏｎꎬｅｔｃ. ＴｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｏｕｔｌｉｅｒｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｃｏｍｐｒｅｓｓｅｄｔｉｍｅｓｅｒｉｅｓａｎｄＶｏｒｏｎｏｉｄｉａｇｒａｍꎬｗｈｉｃｈａｄｏｐｔｓｔｈｅｔｉｍｅｓｅｒｉｅｓｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｏｆｉｍｐｏｒｔａｎｔｐｏｉｎｔｓｓｅｃｔｉｏｎｔｏｒｅｄｕｃｅｔｈｅｄｉｍｅｎｓｉｏｎｏｆｄａｔａｉｎｐｏｗｅｒｓｙｓｔｅｍꎬｍａｐｉｔｔｏａｔｗｏ￣ｄｉｍｅｎｓｉｏｎａｌｐｌａｎｅꎬｃｏｎｓｔｒｕｃｔｔｈｅＶｏｒｏｎｏｉｄｉａｇｒａｍｐａｒｔｉｔｉｏｎꎬａｎｄｔｈｅｎｄｅｔｅｃｔｔｈｅａｂｎｏｒｍａｌｄａｔａ. Ｔｈｉｓｍｅｔｈｏｄｃａｎｒｅｄｕｃｅｔｈｅｄａｔａｄｉｍｅｎｓｉｏｎａｎｄａｌｇｏｒｉｔｈｍｃｏｍｐｌｅｘｉｔｙꎬ ｓｅｔａｎｏｍａｌｙｔｈｒｅｓｈｏｌｄａｃｃｏｒｄｉｎｇｔｏｔｈｅｓｅｑｕｅｎｃｅｆｅａｔｕｒｅｓｆｌｅｘｉｂｌｅꎬａｎｄｒｅａｌｉｚｅｔｈｅａｃｃｕｒａｔｅｄｅｔｅｃｔｉｏｎｏｆａｂｎｏｒｍａｌｄａｔａ. Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｈａｖｅｖｅｒｉｆｉｅｄｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄ. ＫＥＹＷＯＲＤＳ:ｔｉｍｅｓｅｒｉｅｓꎻＶｏｒｏｎｏｉｄｉａｇｒａｍꎻｏｕｔｌｉｅｒｄｅｔｅｃｔｉｏｎꎻｐｏｗｅｒｄａｔａ中图分类号:ＴＭ７３　　　　文献标志码:Ａ　　　　　文章编号:１０００－