一种智能电力系统异常检测方法技术方案

本发明专利技术公开了一种智能电力系统异常检测方法，有效提高了电力系统异常检测与分类的准确率，当训练数据不充足时，相较于传统的有监督分类方法，检测效果与分类精度有明显提升，而当训练数据充足时，利用改良的多粒度级联森林来替换传统的深度学习，优化了深度学习算法模型复杂、训练时间过长的问题；相较于传统的检测分类器，所需求的训练数据更少，算法复杂度更低，训练时间更短，收敛速度更快，反应时间更快。

An anomaly detection method for intelligent power system

【技术实现步骤摘要】
一种智能电力系统异常检测方法
本专利技术涉及电力设备监控领域，具体涉及一种智能变电站异常检测方法。
技术介绍
电力系统是由发电厂、送变电线路、供配电所和用电环节等组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能，再经输电、变电和配电将电能供应到各用户。电力系统的稳定性主要受到天气和设备故障相关的突发事件的影响，这些突发的电力事件可能会导致电力传输的中断，从而引发用户端的不正常断电和中断。除了设备故障等突发事件的影响之外，针对电力系统的网络攻击是另一类可能破坏电力正常传输的因素。基于上述原因，电力系统的异常检测是一个重要的
随着机器学习技术的发展，电力系统异常检测方法也向着大数据和智能化的方向发展，现行电力系统运行与控制中的数据来源主要有电气信息采集系统(CIS)、广域测量系统(WAMS)和能量管理系统(EMS)等电网内部数据，除此之外，也有来自气象信息系统、地理信息系统(GIS)等电网外部数据。这些电力系统运行与控制中产生的数据在规模性、多样性、高速性和价值性方面呈现高度复杂的特性，现有机本文档来自技高网...

【技术保护点】
1.一种智能电力系统异常检测方法，其特征在于，包括以下步骤：/nS1、从电力系统大数据平台获取训练集；/nS2、判断训练集的数据量是否大于阈值N

【技术特征摘要】
1.一种智能电力系统异常检测方法，其特征在于，包括以下步骤：
S1、从电力系统大数据平台获取训练集；
S2、判断训练集的数据量是否大于阈值Nth，若是则跳转至步骤S3，若否则跳转至步骤S4；
S3、根据训练集，采用增强型多粒度级联森林算法构建分类器，并通过分类器实现电力系统的异常状态检测；
S4、根据训练集，通过浮点编码型遗传算法以及半监督聚类型异常分类算法，实现电力系统的异常状态检测。


2.根据权利要求1所述的智能电力系统异常检测方法，其特征在于，所述步骤S1的电力系统大数据平台包括：电气信息采集系统、广域测量系统、能量管理系统、气象信息系统和地理信息系统。


3.根据权利要求1所述的智能电力系统异常检测方法，其特征在于，所述步骤S3包括以下步骤：
S31、采用卷积滑动窗口算法对训练集进行预处理，得到特征向量；
S32、通过特征向量对级联森林模型进行训练，得到训练完成的分类器；
S33、通过分类器对需检测数据集进行分类，聚类出电力系统异常的数据集。


4.根据权利要求3所述的智能电力系统异常检测方法，其特征在于，所述步骤S32中的级联森林模型包括M个子层，所述子层包括两个完全梯度提升决策树和两个随机森林。


5.根据权利要求1所述的智能电力系统异常检测方法，其特征在于，所述步骤S4包括以下步骤：
S41、对训练集进行归一化处理，得到归一化数据集；
S42、在归一化数据集中任选一组正常事件集作为初代种群，通过浮点数编码型遗传算法进行迭代训练，得到检测器；
S43、采用K均值算法，根据检测器构建半监督聚类模型；
S44、通过轮廓系数法确定半监督聚类模...

【专利技术属性】
技术研发人员：廖丹，黄润，章苇杭，孙健，陈雪，张明，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51