[發明專利]一種基于密度距離綜合決策的電力調度監控數據異常檢測方法

有效

• 申請號: 202110967252.1
• 申請日: 2021-08-23
• 公開（公告）號: CN113608968B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 高欣;李康生;劉治宇;賈欣;薛冰;傅世元;黃旭;黃子健
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06F11/30
• 分類號: G06F11/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明實施例提出了一種基于密度距離綜合決策的電力調度監控數據異常檢測方法，包括：將電力調度監控歷史數據作為輸入數據集，通過局部可達距離與核密度估計來計算樣本的局部密度；使用自然對數函數作為縮放函數，計算每個樣本與其近鄰的密度比；通過歐式距離找到每個樣本密度比自身大的近鄰，計算密度提升距離；將局部密度比與密度提升距離標準化后計算乘積，得到最終的異常分數，并判定數據中的異常樣本。本發明實施例提供的技術方案，能夠提升電力調度監控數據異常檢測的準確率。

【技術領域】

本發明涉及電力調度監控數據異常檢測方法，尤其涉及一種基于密度距離綜合決策的電力調度監控數據異常檢測方法。

【背景技術】

智能電網旨在通過積極利用通信及信息化技術，解決從發電設施經送電、變電一直到最終用戶的整個過程中存在的各種問題的概念。智能電網調度控制系統作為電網運行的指揮中樞，在電力系統的發電、輸電、變電、配電環節都發揮著十分重要的作用，是實現電網的可靠、安全、經濟、高效、環境友好和使用安全目標的關鍵。雖然智能電網調度控制系統可以提供大量的電網運行數據與分析結果，為電力系統運維人員準確評估電網狀況帶來便利，但是其擁有海量規模的數據，且特征繁多，彼此之間存在著復雜的關系。隨著系統規模的不斷擴大，傳統的基于運維調度人員和專家經驗的異常檢測方法主觀性較強，且無法全面考慮數據特征之間的關系和數據之間的互相影響，已經難以滿足準確異常檢測的需求。同時，由于數據規模龐大，很難通過咨詢專家等方式人工為這些數據標定正、異常標簽，從而難以使用有監督的機器學習方法檢測異常，而使用無監督機器學習方法能夠在無標簽的情況下對數據分布進行分析并檢測異常，因此可以認為無監督方法能夠較為有效地解決電力調度監控數據的異常檢測問題。而由于電力調度業務種類繁多，監控數據的正常樣本會形成多模式分布的情況，當前已有的無監督異常檢測方法大部分沒有考慮到該情況而導致難以檢測局部和成簇異常。因此，提出一種能夠對局部和成簇異常進行有效檢測的無監督算法，以提高異常的檢測準確率，對于加強電網狀態監測、保障電網安全有重要意義。

【發明內容】

有鑒于此，本發明提出了一種基于密度距離綜合決策的電力調度監控數據異常檢測方法，以提高電力調度監控數據異常檢測的性能。

本發明提出一種基于密度距離綜合決策的電力調度監控數據異常檢測方法，包括如下步驟：

(1)計算數據樣本的局部可達核密度，具體為：

將電力調度監控系統采集到的與電力調度系統業務相關的進程實時資源占用數據作為電力調度監控歷史數據集輸入，記為X＝{x₁,x₂,x₃,...,x_n}，其中x_n∈R^u，R代表實數集，u＝6代表數據的維度，具體包括進程CPU占用率、內存占用率、磁盤IO、網絡IO、線程個數、網絡連接數；輸入數據集X的總樣本數目為N；

計算第i個樣本x_i到X中所有樣本的歐式距離d(x_i,x_j)，x_j∈X，并取距離x_i最近的k個樣本，記為kNN(x_i)；計算x_i到kNN(x_i)中的所有樣本的局部可達距離：

d_k-reach(x_i,x_j)＝max{d_k-dis(x_j),d(x_i,x_j)},x_j∈kNN(x_i)

其中，j＝1,2,...k；d_k-dis(x_j)為x_j到其第k個最近鄰的歐式距離。使用高斯核函數與局部可達距離對x_i進行核密度估計：