基于kmeans的电网异常设备检测方法及装置制造方法及图纸

本发明专利技术公开了基于kmeans的电网异常设备检测方法及装置，该检测方法通过构建电网数据集的第一基本簇，并以第一基本簇为基础对电网数据集进行聚类，得到第一聚类簇；在聚类过程中依次判断所述电网数据集中的第一数据点所属的第一基本簇或判断所述第一数据点为异常数据点，并根据所述异常数据点查找对应的异常设备；对每次聚类后得到的第一聚类簇与上一次聚类后得到的第一聚类簇进行聚集程度比较，当两者的聚集程度的差值小于第一预设阈值时结束聚类，当两者的差值大于等于第一预设阈值时根据所述第一聚类簇构建第一基本簇，并重新以第一基本簇为基础进行聚类。本发明专利技术技术方案提高了针对异常智能电网设备的精准检测。高了针对异常智能电网设备的精准检测。高了针对异常智能电网设备的精准检测。

【技术实现步骤摘要】
基于kmeans的电网异常设备检测方法及装置


[0001]本专利技术涉及智能电网异常设备检测
，尤其涉及基于kmeans的电网异常设备检测方法及装置。

技术介绍

[0002]由于信息化和智能化的需要,传统的电网物理系统在向智能电网演化的过程中,人们引进计算、通信、控制3C(Computing、Communication、Control)技术，以实现智能电网系统的自我感知、精确控制、远程协作与优化调度，使系统更加灵活、高效、经济与智能，导致电网物理系统与信息系统的紧密融合，进而使得智能电网系统的运行环境由封闭和隔离变得开放和互联。智能电网信息系统与物理系统的有机融合，在改善智能电网运行效率的同时，同样为攻击者提供了新的攻击渠道，使得智能电网更有可能面临来自恶意内部人员或敌对国家竞争对手的攻击。近年来的一系列信息安全事件充分证实了智能电网的脆弱性，亟需一种新的智能电网异常设备检测方法，基于智能电网设备量测数据，检测存在异常的电网设备，为智能电网防御安全攻击，提供帮助。现有的k
‑
means及其改进方法，只是简单依据点与簇中心的最大相似度，决定该点所属的簇，因此，现有技术存在针对异常设备的检测效率低和检测结果不精准的问题。

技术实现思路

[0003]本专利技术提供一种基于kmeans的电网异常设备检测方法及装置，提高了针对异常智能电网设备的精准检测。
[0004]本专利技术一实施例提供一种基于kmeans的电网异常设备检测方法，包括以下步骤：
[0005]获取电网数据集，根据所述电网数据集的K个中心点，选取每个所述中心点的K
‑
1个近邻构成K个第一基本簇；所述K为正整数；
[0006]以所述第一基本簇为基础对所述电网数据集进行聚类，得到M个第一聚类簇；在所述聚类过程中依次判断所述电网数据集中的第一数据点所属的第一基本簇或判断所述第一数据点为异常数据点，并根据所述异常数据点查找对应的异常设备；所述M为正整数；
[0007]对每次聚类后得到的第一聚类簇与上一次聚类后得到的第一聚类簇进行聚集程度比较，当两者的聚集程度的差值小于第一预设阈值时结束聚类，当两者的差值大于等于第一预设阈值时根据所述第一聚类簇构建第一基本簇，并重新以第一基本簇为基础进行聚类。
[0008]进一步的，以所述第一基本簇为基础对所述电网数据集进行聚类，包括以下步骤：
[0009]根据所述K个第一基本簇构建K个基础点集；
[0010]针对所述电网数据集中的第一数据点，依次计算各个所述第一数据点相对于各个第一基本簇的预测选择率，并将所述预测选择率最大的第一基本簇记为第二基本簇；
[0011]计算所述第二基本簇的平均相似度和所述第一数据点相对于各个基础点集属于所述第二基本簇的第二概率的平均值，所述平均相似度为第二基本簇的中心点和所述第二
基本簇的其他数据点之间的平均相似度；
[0012]根据所述平均相似度和第二概率的平均值判断所述第一数据点属于第二基本簇或判断所述第一数据点为异常数据点。
[0013]进一步的，根据所述平均相似度和第二概率的平均值判断所述第一数据点是否为异常数据点，具体为：
[0014]判断所述平均相似度是否小于等于所述第二概率的平均值的预设倍数，若是，则判断所述第一数据点属于所述第二基本簇；若否，则判断所述第一数据点为异常数据点。
[0015]进一步的，根据所述K个第一基本簇构建K个基础点集，具体为：
[0016]每次从所述K个基本簇中各选取一个第二数据点，并使得本次选取的各个第二数据点之间的距离最大，将每次选取的K个第二数据点组合形成一个基础点集，共选取K次，得到K个基础点集。
[0017]进一步的，依次计算各个所述第一数据点相对于各个第一基本簇的预测选择率，具体为：
[0018]每次从当前电网数据集中选择一个第一数据点，计算所述第一数据点相对于每个基础点集属于各个第一基本簇的第一概率；所述电网数据集为本次聚类后删除所述各个第一基本簇的数据后得到的当前电网数据集；
[0019]根据所述第一概率的计算结果，统计使得所述第一概率最大的基础点集的数量；
[0020]根据所述第一概率和数量，计算所述第一数据点属于各个第一基本簇的预测选择率。
[0021]进一步的，根据公式计算所述第一数据点相对于每个基础点集属于各个第一基本簇的第一概率；式中x
t
为所述第一数据点，C
j
{j＝1,2,
…
,k}为所述第一基本簇，G
s
(s＝1,2，
…
,k)为所述基础点集，为基础点集G
s
中的相应数据点，表示x
t
和之间归一化的相似性。
[0022]进一步的，根据公式计算所述第一数据点属于各个第一基本簇的预测选择率；式中#{p(C
j
|G
s
)|s＝1,2,
…
,k}为使得所述第一概率最大的基础点集的数量，k表示所述第一基本簇或基础点集的数量，p(C
j
|G
i
)为所述第一概率,C
j
{j＝1,2,
…
,k}为所述第一基本簇，G
s
(s＝1,2，
…
,k)为所述基础点集。
[0023]进一步的，根据所述电网数据集的K个中心点，选取每个所述中心点的K
‑
1个近邻构成K个第一基本簇，具体为：
[0024]生成第一基本簇：计算当前电网数据集的均值点，从所述当前电网数据集选取一个与所述均值点最近的数据点作为中心点，再从所述当前电网数据集中选取所述中心点的K
‑
1个近邻和所述中心点一起形成第一基本簇，从所述当前电网数据集中删除所述第一基本簇中的电网数据；
[0025]重复执行所述生成第一基本簇的过程，直到得到K个第一基本簇。
[0026]进一步的，以所述K个第一基本簇为基础对所述电网数据集进行聚类时，对各个第一基本簇的元素数量进行判断，当所述第一基本簇的元素数量少于第二预设阈值时，将所述第一基本簇的各个数据点设置为第一数据点，并将所述第一数据点分配至其他第一基本簇或将所述第一数据点判断为异常数据点，再删除所述第一基本簇，得到M个第一聚类簇。
[0027]本专利技术另一实施例提供了一种基于kmeans的电网异常设备检测装置，包括基本簇构建模块、异常检测模块和聚类结果检测模块；
[0028]所述基本簇构建模块用于获取电网数据集，根据所述电网数据集的K个中心点，选取每个所述中心点的K
‑
1个近邻构成K个第一基本簇；
[0029]所述异常检测模块用于以所述第一基本簇为基础对所述电网数据集进行聚类，得到M个第一聚类簇；在所述聚类过程中依次判断所述电网数据集中的第一数据点所属的第一基本簇或判断所述第一数据点为异常数据点，并根据所述异常数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于kmeans的电网异常设备检测方法，其特征在于，包括以下步骤：获取电网数据集，根据所述电网数据集的K个中心点，选取每个所述中心点的K
‑
1个近邻构成K个第一基本簇；所述K为正整数；以所述第一基本簇为基础对所述电网数据集进行聚类，得到M个第一聚类簇；在所述聚类过程中依次判断所述电网数据集中的第一数据点所属的第一基本簇或判断所述第一数据点为异常数据点，并根据所述异常数据点查找对应的异常设备；所述M为正整数；对每次聚类后得到的第一聚类簇与上一次聚类后得到的第一聚类簇进行聚集程度比较，当两者的聚集程度的差值小于第一预设阈值时结束聚类，当两者的差值大于等于第一预设阈值时根据所述第一聚类簇构建第一基本簇，并重新以第一基本簇为基础进行聚类。2.根据权利要求1所述的基于kmeans的电网异常设备检测方法，其特征在于，以所述第一基本簇为基础对所述电网数据集进行聚类，包括以下步骤：根据所述K个第一基本簇构建K个基础点集；针对所述电网数据集中的第一数据点，依次计算各个所述第一数据点相对于各个第一基本簇的预测选择率，并将所述预测选择率最大的第一基本簇记为第二基本簇；计算所述第二基本簇的平均相似度和所述第一数据点相对于各个基础点集属于所述第二基本簇的第二概率的平均值，所述平均相似度为第二基本簇的中心点和所述第二基本簇的其他数据点之间的平均相似度；根据所述平均相似度和第二概率的平均值判断所述第一数据点属于第二基本簇或判断所述第一数据点为异常数据点。3.根据权利要求2所述的基于kmeans的电网异常设备检测方法，其特征在于，根据所述平均相似度和第二概率的平均值判断所述第一数据点是否为异常数据点，具体为：判断所述平均相似度是否小于等于所述第二概率的平均值的预设倍数，若是，则判断所述第一数据点属于所述第二基本簇；若否，则判断所述第一数据点为异常数据点。4.根据权利要求3所述的基于kmeans的电网异常设备检测方法，其特征在于，根据所述K个第一基本簇构建K个基础点集，具体为：每次从所述K个基本簇中各选取一个第二数据点，并使得本次选取的各个第二数据点之间的距离最大，将每次选取的K个第二数据点组合形成一个基础点集，共选取K次，得到K个基础点集。5.根据权利要求4所述的基于kmeans的电网异常设备检测方法，其特征在于，依次计算各个所述第一数据点相对于各个第一基本簇的预测选择率，具体为：每次从当前电网数据集中选择一个第一数据点，计算所述第一数据点相对于每个基础点集属于各个第一基本簇的第一概率；所述电网数据集为本次聚类后删除所述各个第一基本簇的数据后得到的当前电网数据集；根据所述第一概率的计算结果，统计使得所述第一概率最大的基础点集的数量；根据所述第一概率和数量，计算所述第一数据点属于各个第一基本簇的预测选择率。6.根据权利要求5所述的基于kmeans的电网异常设备检测方法，其特征在于，根据公式计算所述第一数据点相对于每个基础点集属于各个第一基本簇
的第一概率；式中x
t<...

【专利技术属性】
技术研发人员：周安，杨云帆，付佳佳，黄浩，王云，张桐，
申请(专利权)人：广东电网有限责任公司电力调度控制中心，
类型：发明
国别省市：