【技术实现步骤摘要】
本专利技术属于电力数据异常检测，具体的说是涉及一种基于岭回归-k均值聚类-lof-lstm融合算法的大规模电力数据异常检测方法。
技术介绍
1、随着电力系统的不断扩展，大规模电力数据的产生和积累呈现出爆发式增长的趋势。这些数据包含了电力系统运行过程中的各种关键信息，涵盖了从发电到输电再到配电的各个环节，包括电压、电流、频率、负荷等多种参数。然而，随着电力系统的复杂性增加，由于设备故障、人为操作失误、外部环境变化等因素，电力数据中的异常情况日益频发，有效地检测和诊断电力数据中的异常成为确保电力系统稳定运行和供电质量的重要任务。不同的电力数据类型可能具有不同的特征、分布和异常模式，将单一的算法应用于所有类型的电力数据可能会面临困难，甚至效果不佳。
2、目前，大规模电力数据异常检测方法按照算法工作原理分类可以分为基于回归模型的异常检测算法、基于聚类的异常检测算法、基于深度学习的异常检测算法。
3、基于回归模型的异常检测算法通过建立时间序列数据的回归模型，预测数据点的值，并比较预测值与实际值之间的差异来检测异常。异常通常...
【技术保护点】
1.一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法，其特征在于：所述大规模电力数据异常检测方法包括以下步骤：
2.根据权利要求1所述的一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法，其特征在于：步骤1中，对原始大规模电力数据进行预处理、提取每天电力数据的均值和方差特征，将特征提取后的电力数据分为训练集和测试集数据，具体包括以下步骤：
3.根据权利要求1所述的一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法，其特征在于：步骤2中，构建OVO SVM...
【技术特征摘要】
1.一种基于岭回归-k均值聚类-lof-lstm融合算法的大规模电力数据异常检测方法，其特征在于：所述大规模电力数据异常检测方法包括以下步骤：
2.根据权利要求1所述的一种基于岭回归-k均值聚类-lof-lstm融合算法的大规模电力数据异常检测方法，其特征在于：步骤1中，对原始大规模电力数据进行预处理、提取每天电力数据的均值和方差特征，将特征提取后的电力数据分为训练集和测试集数据，具体包括以下步骤：
3.根据权利要求1所述的一种基于岭回归-k均值聚类-lof-lstm融合算法的大规模电力数据异常检测方法，其特征在于：步骤2中，构建ovo svms模型，采用步骤1得到的训练集由ovo svms模型获得分类结果，与测试集的分类结果进行对比，对ovo svms模型进行参数优化后，获得最终ovo svms模型，具体包括以下步骤：
...
【专利技术属性】
技术研发人员：季一木，李海天，李玲娟，刘尚东，徐驰，万玲莉，李昆珈，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。