基于鲁棒性随机分割森林算法的变压器损耗异常值检测

doi:10.3969/j.issn.1000-5641.2021.06.014

华东师范大学学报（自然科学版） ›› 2021, Vol. 2021 ›› Issue (6): 135-146.doi: 10.3969/j.issn.1000-5641.2021.06.014

• 计算机科学 • 上一篇

基于鲁棒性随机分割森林算法的变压器损耗异常值检测

张国芳¹(), 温丽丽¹, 吴蒙¹, 刘通宇², 郑宽昀³, 黄福兴³, 袁培森^2,*()

1. 国网四川省电力公司, 成都　610094
2. 南京农业大学人工智能学院, 南京　210095
3. 南瑞集团(国网电力科学研究院)有限公司, 南京　211106

收稿日期:2020-09-11 出版日期:2021-11-25 发布日期:2021-11-26
通讯作者: 袁培森 E-mail:zhanggf1261@sc.sgcc.com.cn;peiseny@163.com
作者简介:张国芳, 女, 硕士, 高级工程师, 研究方向为电能量计量、综合能源管控与服务.E-mail: zhanggf1261@sc.sgcc.com.cn

Anomaly detection of transformer loss data based on a robust random cut forest

Guofang ZHANG¹(), Lili WEN¹, Meng WU¹, Tongyu LIU², Kuanyun ZHENG³, Fuxing HUANG³, Peisen YUAN^2,*()

1. State Grid Sichuan Electric Power Company, Chengdu　610094, China
2. College of Artificial Intelligence, Nanjing Agricultural University, Nanjing　210095, China
3. Nanjing Automatic Research Insititute Group Corporation (State Grid Electric Power Research Institute), Nanjing　211106, China

Received:2020-09-11 Online:2021-11-25 Published:2021-11-26
Contact: Peisen YUAN E-mail:zhanggf1261@sc.sgcc.com.cn;peiseny@163.com

摘要/Abstract

摘要：

在智能电网飞速发展的趋势下, 新型数字基础设施建设成为电力企业的核心业务之一, 电力企业数据的治理和智能化分析为平台运营、数据增值变现等商业模式创新提供了条件. 在电力数字化和智能化治理背景下, 使用鲁棒性随机分割森林算法实现变压器损耗数据的异常值智能化检测. 通过鲁棒性随机分割森林算法划分样本点以构建鲁棒性随机分割森林结构模型, 通过插入和删除样本点对结构复杂度的影响程度给定该样本点的异常值评分. 鲁棒性随机分割森林算法适用于实时损耗数据异常检测, 兼顾异常值检测效果和运行效率, 具有较高的可信度. 对真实变压器损耗数据集中进行异常值检测试验, 实验结果表明该算法高效、灵活, 相较于其他方法, 精确率、召回率及运行效率均有显著提升.

关键词: 鲁棒性随机分割森林, 异常值检测, 变压器损耗, 电力数据中台

Abstract:

With the rapid development of smart grids, the construction of new digital infrastructure has become one of the core businesses of power companies. Power companies’ governance and intelligent analytical capabilities enable opportunities for business model innovation, such as platform operation and value-added data realization. In the context of power digitization and intelligent governance, we use the robust random cut forest in this paper for transformer loss data anomaly intelligence detection. The algorithm divides sample points by random cutting to construct a random cut forest structure model by inserting and removing sample points in the structure; the anomaly score of a sample point is then given by the influence of complexity. This method is suitable for anomaly detection on real-time loss data and offers a high degree of credibility, effectiveness, and efficiency. An experiment of anomaly detection on real transformer loss data shows that the method is efficient and flexible. The accuracy, recall, and efficiency of the proposed method, moreover, is substantially better than alternatives.

Key words: robust random cut forest, anomaly detection, transformer loss, power data platform

中图分类号:

TP391

张国芳, 温丽丽, 吴蒙, 刘通宇, 郑宽昀, 黄福兴, 袁培森. 基于鲁棒性随机分割森林算法的变压器损耗异常值检测[J]. 华东师范大学学报（自然科学版）, 2021, 2021(6): 135-146.

Guofang ZHANG, Lili WEN, Meng WU, Tongyu LIU, Kuanyun ZHENG, Fuxing HUANG, Peisen YUAN. Anomaly detection of transformer loss data based on a robust random cut forest[J]. Journal of East China Normal University(Natural Science), 2021, 2021(6): 135-146.

图/表 8

图1

图2

图3

图4

图5

表1

图6

表2

参考文献 21

1	王忠杰, 文乐, 杨新民. 大数据在智能化电厂中的应用研究与展望. 中国电力, 2019, 52 (3): 133- 139.
2	李炳森, 胡全贵, 陈小峰, 等. 电网企业数据中台的研究与设计. 电力信息化, 2019, 17 (7): 29- 34.
3	林鸿, 方学民, 袁葆, 等. 电力物联网多渠道客户服务中台战略研究与设计. 供用电, 2019, 36 (6): 39- 45.
4	SUNDARARAJAN A, HERNANDEZ A S, SARWAT A I. Adapting big data standards, maturity models to smart grid distributed generation: Critical review. IET Smart Grid, 2020, 3 (4): 508- 519. doi: 10.1049/iet-stg.2019.0298
5	PASSERINI F, TONELLO A M. Smart grid monitoring using power line modems: Effect of anomalies on signal propagation. IEEE Access, 2019, (7): 27302- 27312.
6	刘树仁, 宋亚奇, 朱永利, 等. 基于Hadoop的智能电网状态监测数据存储研究. 计算机科学, 2013, 40 (1): 81- 84.
7	HUO Y, PRASAD G, ATANACKOVIC L, et al. Cable diagnostics with power line modems for smart grid monitoring. IEEE Access, 2019, (7): 60206- 60220.
8	WITTEN I H, FRANK E, HALL M A, et al. Data Mining: Practical Machine Learning Tools and Techniques [M]. 4th ed. San Francisco: Morgan Kaufmann, 2016.
9	COSTA D, PORTELA F, SANTOS M F. An overview of data mining representation techniques [C]// Proceedings of the 2019 7th International Conference on Future Internet of Things and Cloud Workshops. IEEE, 2019: 90-95.
10	AKOGLU L, TONG H, KOUTRA D. Graph based anomaly detection and description: A survey. Data Mining & Knowledge Discovery, 2015, 29 (3): 626- 688.
11	CHANDOLA V, BANERJEE A, KUMAR V. Anomaly detection for discrete sequences: A survey. IEEE Transactions on Knowledge & Data Engineering, 2012, 24 (5): 823- 839.
12	TRAN T N, DRAB K, DASZYKOWSKI M. Revised DBSCAN algorithm to cluster data with dense adjacent clusters. Chemometrics & Intelligent Laboratory Systems, 2013, 120, 92- 96.
13	王文红, 李惊涛, 陈俊彦, 等. 基于聚类算法对异常事件分析评价电能表整体状态的方法: CN201310624924.4 [P]. 2014-03-12.
14	LIU F T, TING K M, ZHOU Z. Isolation forest [C]// 2008 Eighth IEEE International Conference on Data Mining. IEEE, 2008: 413-422.
15	余翔, 陈国洪, 李霆, 等. 基于孤立森林算法的用电数据异常检测研究. 信息技术, 2018, 42 (12): 88- 92.
16	GUHA S, MISHRA N, ROY G, et al. Robust random cut forest based anomaly detection on streams [C]// International Conference on Machine Learning. PMLR, 2016: 2712-2721.
17	INOUE J, YAMAGATA Y, CHEN Y, et al. Anomaly detection for a water treatment system using unsupervised machine learning [C]// Proceedings of the 2017 IEEE International Conference on Data Mining Workshops. IEEE, 2017: 1058-1065.
18	BARTOS M, MULLAPUDI A, TROUTMAN S. RRCF: Implementation of the robust random cut forest algorithm for anomaly detection on streams. Journal of Open Source Software, 2019, 4 (35): 1336.
19	WANG Y, WANG Z, XIE Z, et al. Practical and white-box anomaly detection through unsupervised and active learning [C]// 2020 29th International Conference on Computer Communications and Networks. IEEE, 2020. DOI: 10.1109/ICCCN49398.2020.9209704.
20	BOX G E P, JENKINS G M, REINSEL G C, et al. Time series analysis: Forecasting and control. Journal of the Operational Research Society, 2015, 22 (2): 199- 201.
21	HABEEB R A A, NASARUDDIN F, GANI A, et al. Real-time big data processing for anomaly detection: A survey. International Journal of Information Management, 2019, 45, 289- 307.

初始化样本点个数	准确率	精确率	召回率
60	0.93	0.72	0.76
70	0.94	0.80	1.00
80	0.96	0.92	1.00
90	0.97	0.90	1.00
100	0.97	0.93	1.00
110	0.96	0.87	1.00
120	0.96	0.83	1.00

方法	检测到异常点个数	准确率	精确率	召回率	F₁值
本文所述方法	19	0.9677	0.9315	1.0000	0.9637
孤立森林算法	24	0.9523	0.7619	1.0000	0.8649
基于DBSCAN聚类的方法	12	0.9219	0.9167	0.7500	0.8250

[1]	付瑞, 李剑宇, 王笳辉, 岳昆, 胡矿. 面向领域知识图谱的实体关系联合抽取[J]. 华东师范大学学报（自然科学版）, 2021, 2021(5): 24-36.
[2]	郑思达, 刘岩, 杨晓坤, 戚成飞, 袁培森. 基于自适应竞争的均衡优化电力系统客户分类[J]. 华东师范大学学报（自然科学版）, 2021, 2021(5): 146-156.
[3]	赵红成, 田秀霞, 杨泽森, 白万荣. YOLO-S: 一种新型轻量的安全帽佩戴检测模型[J]. 华东师范大学学报（自然科学版）, 2021, 2021(5): 134-145.
[4]	杨梦晨, 陈旭栋, 蔡鹏, 倪葎. 早期时间序列分类方法研究综述[J]. 华东师范大学学报（自然科学版）, 2021, 2021(5): 115-133.
[5]	马晓琴, 薛晓慧, 罗红郊, 刘通宇, 袁培森. 基于t-LeNet与时间序列分类的窃电行为检测[J]. 华东师范大学学报（自然科学版）, 2021, 2021(5): 104-114.
[6]	刘天弼, 冯瑞. 一种基于先验标记特征的精准图像配准算法[J]. 华东师范大学学报（自然科学版）, 2021, 2021(3): 65-77.
[7]	祝鸣, 沈建华, 汪家财. 可扩展物联网教学开发系统的设计与实现[J]. 华东师范大学学报（自然科学版）, 2021, 2021(3): 78-95.
[8]	梁艳春, 房爱莲. 基于多通道卷积神经网络的中文文本关系抽取[J]. 华东师范大学学报（自然科学版）, 2021, 2021(3): 96-104.
[9]	窦建凯, 林欣, 胡文心. 单图中的近似频繁子图挖掘算法[J]. 华东师范大学学报(自然科学版), 2019, 2019(6): 73-87.
[10]	陈远哲, 匡俊, 刘婷婷, 高明, 周傲英. 共指消解技术综述[J]. 华东师范大学学报(自然科学版), 2019, 2019(5): 16-35.
[11]	杨康, 黄定江, 高明. 面向自动问答的机器阅读理解综述[J]. 华东师范大学学报(自然科学版), 2019, 2019(5): 36-52.
[12]	邵明锐, 马登豪, 陈跃国, 覃雄派, 杜小勇. 基于社区问答数据迁移学习的FAQ问答模型研究[J]. 华东师范大学学报(自然科学版), 2019, 2019(5): 74-84.
[13]	陈亮, 郭佳雯, 武建功, 王占全, 史令. 基于法计算学理论的人工智能辅助决策算法研究[J]. 华东师范大学学报(自然科学版), 2019, 2019(5): 85-99.
[14]	傅裕, 李优, 林煜明, 周娅. 基于自注意力机制的冗长商品名称精简方法[J]. 华东师范大学学报(自然科学版), 2019, 2019(5): 113-122,167.
[15]	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.

基于鲁棒性随机分割森林算法的变压器损耗异常值检测

Anomaly detection of transformer loss data based on a robust random cut forest

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 21

相关文章 15

编辑推荐

Metrics

本文评价