及时准确识别电力调度自动化系统业务运行异常对于维护具有“双高”特性的交直流混联大电网系统安全稳定运行具有重要意义。调度自动化系统运行业务种类繁多、业务状态监测维度多样且各业务之间存在复杂交互关系,导致调度监测数据的异...及时准确识别电力调度自动化系统业务运行异常对于维护具有“双高”特性的交直流混联大电网系统安全稳定运行具有重要意义。调度自动化系统运行业务种类繁多、业务状态监测维度多样且各业务之间存在复杂交互关系,导致调度监测数据的异常模式呈现多样化的特点。现有基于动态选择集成的无监督异常检测方法存在衡量基检测器性能的评价基准不准确且只使用单一性能指标的问题,难以在多种异常分布模式上均保持较好的性能。该文提出一种基于元学习动态选择集成的电力调度数据异常检测方法。针对评价基准不准确的问题,提出一种混合选择集成思想,通过基于孤立森林的静态选择方法预先剔除性能较差的基检测器,再对筛选后的基检测器进行动态选择集成,有效提高了假真值的准确性;针对单一指标通用性弱的问题,提出融入元学习的基检测器动态选择集成策略,将多个基检测器的动态选择问题转换为二分类问题,设计多种指标作为元特征来训练元分类器,并根据其输出选择性能较好的基检测器进行检测,通过多种指标互补以获得更强的通用性。在30个权威公开数据集和某省级电网调度中心业务数据集上开展了大量实验,与多种典型集成异常检测方法进行了对比,验证了所提方法在曲线下面积值(area under curve,AUC)值指标上的先进性以及实际应用上的有效性。展开更多
文摘及时准确识别电力调度自动化系统业务运行异常对于维护具有“双高”特性的交直流混联大电网系统安全稳定运行具有重要意义。调度自动化系统运行业务种类繁多、业务状态监测维度多样且各业务之间存在复杂交互关系,导致调度监测数据的异常模式呈现多样化的特点。现有基于动态选择集成的无监督异常检测方法存在衡量基检测器性能的评价基准不准确且只使用单一性能指标的问题,难以在多种异常分布模式上均保持较好的性能。该文提出一种基于元学习动态选择集成的电力调度数据异常检测方法。针对评价基准不准确的问题,提出一种混合选择集成思想,通过基于孤立森林的静态选择方法预先剔除性能较差的基检测器,再对筛选后的基检测器进行动态选择集成,有效提高了假真值的准确性;针对单一指标通用性弱的问题,提出融入元学习的基检测器动态选择集成策略,将多个基检测器的动态选择问题转换为二分类问题,设计多种指标作为元特征来训练元分类器,并根据其输出选择性能较好的基检测器进行检测,通过多种指标互补以获得更强的通用性。在30个权威公开数据集和某省级电网调度中心业务数据集上开展了大量实验,与多种典型集成异常检测方法进行了对比,验证了所提方法在曲线下面积值(area under curve,AUC)值指标上的先进性以及实际应用上的有效性。
