[发明专利]一种智能电力系统异常检测方法

权利要求书

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N_th，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型的最佳K值；

S45、通过半监督聚类模型，对需检测数据集进行分类，聚类出电力系统异常的数据集。

6.根据权利要求5所述的智能电力系统异常检测方法，其特征在于，所述步骤S44包括以下步骤：

S441、计算归一化数据集中的样本x_i与其所在簇的其它样本的平均距离a，其中i为样本序列号，其值在区间[1,N]中，N为归一化数据集的样本总数，所述簇为具有同一特征的样本集合，所述归一化数据集包括正常簇、设备故障簇、网络攻击簇；

S442、计算归一化数据集中的样本x_i与其最近簇C的所有样本的平均距离b，所述样本x_i的最近簇C的计算表达式为：

其中，p为簇C_j中的样本，j为簇序列号，其值在区间[1,M]中，M为簇总数，n_j为簇C_j中的样本总数；

S443、通过下式计算归一化数据集中的样本x_i的轮廓系数S_i，

S444、遍历归一化数据集中所有样本的轮廓系数，将其中最大的轮廓系数设定为半监督聚类模型的最佳K值。

7.根据权利要求5所述的智能电力系统异常检测方法，其特征在于，所述步骤S45包括以下步骤：

S451、在归一化数据集中随机选取K个样本作为聚类中心{μ₁、μ₂、…、μ_K}；

S452、将归一化数据集中的每个样本x_i分配到离它距离最近的聚类中心所属的簇；

S453、记录当前的K个聚类中心值为旧聚类中心值，并根据归一化数据集中的样本x_i及其当前所在簇C_j，通过下式迭代得到新聚类中心值：

其中k为聚类中心序列号，其值在区间[1,K]中；

S454、K个新聚类中心值与旧聚类中心值是否完全一致，若是，则结束，若否，则跳转至步骤S452。