基于改进K-means的电力数据异常检测算法

doi:10.3969/j.issn.1000-5641.201921012

华东师范大学学报（自然科学版） ›› 2020, Vol. 2020 ›› Issue (4): 79-87.doi: 10.3969/j.issn.1000-5641.201921012

基于改进K-means的电力数据异常检测算法

吴蕊, 张安勤, 田秀霞, 张挺

上海电力大学计算机科学与技术学院, 上海 200090

收稿日期:2019-08-25 发布日期:2020-07-20
通讯作者: 张安勤,女,副教授,硕士生导师,研究方向为数据挖掘、普适计算.E-mail:aqz612@sina.com E-mail:aqz612@sina.com
基金资助:
国家自然科学基金(61772327, 61532021)

Anomaly detection algorithm based on improved K-means for electric power data

WU Rui, ZHANG Anqin, TIAN Xiuxia, ZHANG Ting

College of Computer Science and Technology, Shanghai University of Electric Power, Shanghai 200090, China

Received:2019-08-25 Published:2020-07-20

摘要/Abstract

摘要： 异常检测方法在电力领域有着广泛的应用, 如设备故障检测和异常用电检测等. 改进了传统K-means聚类随机选择初始聚类中心的策略; 结合数据对象的密集度与最大近邻半径, 选择更加接近实际簇中心的数据点作为初始聚类中心, 并在此基础上提出了一种基于改进K-means算法的电力数据异常检测新方法. 实验表明, 上述算法具有更优的聚类效果和异常检测性能, 并且在应用于电力领域时, 算法可以有效地检测出异常电力数据.

关键词: 初始聚类中心, 密集度, 异常检测

Abstract: Anomaly detection methods are widely used for applications in the field of electric power, such as equipment fault detection and abnormal electricity consumption detection. The proposed algorithm combines densities of data objects with the maximum neighborhood radius to select data points that are closer to actual cluster centers for the initial selection; this, in turn, improves random selection of the initial cluster centers. In addition, a new anomaly detection method based on an improved K-means algorithm for electric power data is proposed. Experiments show that the algorithm is more suitable in both clustering performance and anomaly detection. When this algorithm is applied to the field of electric power, abnormal data can be effectively detected.

Key words: initial cluster centers, density, anomaly detection

中图分类号:

TP393

吴蕊, 张安勤, 田秀霞, 张挺. 基于改进K-means的电力数据异常检测算法[J]. 华东师范大学学报（自然科学版）, 2020, 2020(4): 79-87.

WU Rui, ZHANG Anqin, TIAN Xiuxia, ZHANG Ting. Anomaly detection algorithm based on improved K-means for electric power data[J]. Journal of East China Normal University(Natural Science), 2020, 2020(4): 79-87.

参考文献

[1] 邱承武, 宓群超. 利用电力数据四级网实现小电厂数据的采集 [J]. 电力系统自动化, 2006, 30(3): 105-106. DOI: 10.3321/j.issn:1000-1026.2006.03.020
[2] 秦璇. 电力统计数据的质量评估及其异常检测方法研究 [D]. 长沙: 长沙理工大学, 2013.
[3] 刘冬兰, 马雷, 刘新, 等. 基于深度学习的电力大数据融合与异常检测方法 [J]. 计算机应用与软件, 2018, 35(4): 61-64. DOI: 10.3969/j.issn.1000-386x.2018.04.011
[4] 蒋盛益, 姜灵敏. 一种高效异常检测方法 [J]. 计算机工程, 2007, 33(7): 166-168. DOI: 10.3969/j.issn.1000-3428.2007.07.060
[5] MA J, CHEN Y S, HUANG Z Y, et al. Detect abnormal SCADA data using state estimation residuals [C]// IEEE Transmission & Distribution Conference & Exposition. IEEE, 2010.
[6] 王桂兰, 周国亮, 赵洪山, 等. 大规模用电数据流的快速聚类和异常检测技术 [J]. 电力系统自动化, 2016, 40(24): 27-33. DOI: 10.7500/AEPS20160123002
[7] 庄池杰, 张斌, 胡军, 等. 基于无监督学习的电力用户异常用电模式检测 [J]. 中国电机工程学报, 2016, 36(2): 379-387
[8] MACQUEEN J. Some methods for classification and analysis of multivariate observe [C]// Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability. 1967: 281-297.
[9] 行小帅, 潘进, 焦李成. 基于免疫规划的K-means聚类算法 [J]. 计算机学报, 2003, 26(5): 605-610. DOI: 10.3321/j.issn:0254-4164.2003.05.012
[10] 段桂芹. 基于均值与最大距离乘积的初始聚类中心优化K-means算法 [J]. 计算机与数字工程, 2015, 43(3): 379-382. DOI: 10.3969/j.issn1672-9722.2015.03.008
[11] 李炎, 李皓, 钱肖鲁, 等. 异常检测算法分析 [J]. 计算机工程, 2002, 28(6): 5-6. DOI: 10.3969/j.issn.1000-3428.2002.06.003
[12] ISENKUL M E, SAKAR B E, KURSUN O, et al. Improved spiral test using digitized graphics tablet for monitoring Parkinson’s disease [C]// The 2nd International Conference on e-Health and Telemedicine. 2014: 171-175.
[13] SAKAR B E, ISENKUL M E, SAKAR C O, et al. Collection and analysis of a parkinson speech dataset with multiple types of sound recordings [J]. IEEE Journal of Biomedical and Health Informatics, 2013, 17(4): 828-834. DOI: 10.1109/JBHI.2013.2245674.
[14] 左进, 陈泽茂. 基于改进K均值聚类的异常检测算法 [J]. 计算机科学, 2016, 43(8): 258-261. DOI: 10.11896/j.issn.1002-137X.2016.08.052
[15] 韩最蛟. 基于数据密集性的自适应K均值初始化方法 [J]. 计算机应用与软件, 2014, 31(2): 182-187. DOI: 10.3969/j.issn.1000-386x.2014.02.049

基于改进K-means的电力数据异常检测算法

Anomaly detection algorithm based on improved K-means for electric power data

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 5

编辑推荐

Metrics

本文评价

[1]	张国芳, 刘通宇, 温丽丽, 郭果, 周忠新, 袁培森. 基于变分自编码器的日线损率异常检测研究[J]. 华东师范大学学报（自然科学版）, 2020, 2020(5): 146-155.
[2]	黄福兴, 周广山, 丁宏, 张罗平, 钱淑韵, 袁培森. 基于孤立森林算法的电能量异常数据检测[J]. 华东师范大学学报(自然科学版), 2019, 2019(5): 123-132.
[3]	李敏茜, 毛嘉莉, 袁培森, 金澈清. 基于卡口监测数据流的套牌车检测[J]. 华东师范大学学报(自然科学版), 2018, 2018(2): 63-76,100.
[4]	潘松松, 张伟佳. 基于混合方法的医疗欺诈行为检测[J]. 华东师范大学学报(自然科学版), 2017, 2017(5): 125-137.
[5]	王涤琼;张薇;顾国庆. 用顶点链编码计算图像区域密集度和体态比[J]. 华东师范大学学报(自然科学版), 2005, 2005(1): 59-62.