论文题目：基于机器学习的电力调度自动化系统流数据异常检测框架设计与实现
摘要：电力调度自动化系统提高了多级调度联合处置重大电网事故的能力,在维持电网安全稳定运行方面发挥着重要作用。准确的电力调度自动化系统异常检测对电力系统安全稳定运行有重要意义。一旦系统业务发生异常,电网运行会受到极大影响,甚至瘫痪,带来巨大经济损失。该系统具有业务种类繁多、业务逻辑交互复杂等特点,带来了调度监测数据维度多、空间分布多样的特性,现有基于机器学习的流数据异常检测方法,存在对局部异常等特殊异常检测精度与检测效率难以有效兼顾等问题。此外,由于调度业务功能增减导致多维监控数据分布规律变化而产生“概念漂移”问题,现有概念漂移检测方法存在“空窗期”问题,在连续的渐进漂移场景下检测准确率还有提升空间。为提高系统智能化水平,帮助调度人员及时了解系统业务运行状况,保证业务运行可靠,本文基于机器学习思想,针对电力调度自动化系统的流数据异常检测相关技术开展研究,主要工作如下:1)研究了基于机器学习的电力调度数据异常检测方法。针对现有基于机器学习的异常检测方法,存在对局部异常等特殊异常检测精度与检测效率难以有效兼顾等问题,提出了一种基于对数区间隔离森林的异常检测方法。首先,计算每个样本点到数据分布中心的马氏距离,提升了数据维度之间存在的分布差异条件下的度量准确度;其次,设计对数区间隔离策略,构建多个子树,并将其整合成对数区间隔离森林异常检测器,所提方法在筛选出数据集中的特殊异常样本的同时,兼顾检测精度和检测效率;最后,使用公开数据集和某省级电网调度中心业务数据集作为训练与测试样本,验证了所提方法在异常检测AUC值等综合性能上的先进性及其在实际系统应用中的可行性。2)研究了概念漂移条件下的流数据异常检测方法。为避免电力调度流数据异常检测框架因数据流发生概念漂移引起误报增多的问题,设计了基于霍夫丁不等式的自适应时间加权窗口概念漂移检测器。首先;结合系统的应用背景,分析该系统业务数据分布随时间动态变化的特性;其次,结合现有方法进行场景分析,将自适应窗口和时间加权策略进行融合,解决现有方法的“空窗期”问题,基于霍夫丁不等式设计适用于电力调度数据的概念漂移检测算法;最后,利用所设计的算法进行实验验证,使用多种公开合成数据集和实际电力调度自动化系统业务数据,分析概念漂移检测算法在改进前后检测异常时性能的变化状况,验证该方案在异常检测中应用的可行性,为整个流数据异常检测框架的模型更新决策提供参考信息。3)研究了流数据异常检测过滤剪枝策略。为进一步提高流数据异常检测效率,提出了基于核密度估计的流数据异常检测过滤剪枝策略。针对数据流维度高对最近邻算法产生影响的问题,采用了自编码器降维的数据预处理手段对原始数据流进行特征提取。首先,结合系统业务实际运行时正常数据远多于异常数据的特点,分析该系统业务在线异常检测的效率需求;其次,基于自编码器的降维数据处理对高维数据流进行适当的特征提取,以减少相关性较低的维度对算法造成的干扰,作为后续高效剪枝策略的预处理,根据剪枝策略将缓存区中数据快速区分为正常数据和可疑数据实现过滤;最后,使用多种公开数据集和实际电力调度自动化系统业务数据,通过对比不同异常检测算法的性能证明该方法的有效性。
关键词：电力调度自动化系统;流数据异常检测;对数区间隔离;概念漂移;剪枝策略
学科专业：机械工程（专业学位）
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 异常检测方法的国内外研究现状
1.2.2 概念漂移检测方法国内外研究现状
1.2.3 电力系统国内外异常检测应用现状
1.3 论文研究内容及章节安排
1.3.1 论文研究内容
1.3.2 论文章节安排
第二章 基于对数区间隔离森林的异常检测方法设计与实现
2.1 电力调度自动化系统离线异常检测需求分析
2.2 基于对数区间隔离森林的异常检测方法
2.2.1 算法原理介绍
2.2.2 算法实现步骤
2.3 实验结果分析评估
2.3.1 公开数据集实验部分
2.3.2 电力调度数据实验部分
2.4 本章小结
第三章 基于霍夫丁不等式的自适应时间加权窗口概念漂移检测器设计与实现
3.1 电力调度自动化系统概念漂移检测需求分析
3.2 基于霍夫丁不等式的自适应时间加权窗口概念漂移检测器
3.2.1 算法原理介绍
3.2.2 算法实现步骤
3.3 实验结果分析评估
3.3.1 公开数据集实验部分
3.3.2 电力调度数据实验部分
3.4 本章小结
第四章 基于核密度估计的流数据异常检测过滤剪枝策略设计与实现
4.1 电力调度自动化系统剪枝策略需求分析
4.2 基于核密度估计的流数据异常检测过滤剪枝策略
4.2.1 基于自编码器的高维数据降维策略
4.2.2 基于核密度估计的剪枝策略
4.2.3 算法实现步骤
4.3 实验结果分析评估
4.3.1 公开数据集实验部分
4.3.2 电力调度数据实验部分
4.4 本章小结
第五章 总结与展望
5.1 本文总结
5.2 未来展望工作
参考文献
致谢