摘要：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。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离线数据异常检测方法,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。提出了一种基于对数区间隔离的电力调度数据异常检测方法。针对数据维度之间的分布差异特性,运用马氏距离度量方法,基于每个样本点到数据分布中心的马氏距离,设计了对数区间隔离策略,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,筛选出数据集中的异常样本,兼顾检测精度和检测效率。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。

摘要：提高智能电表故障不平衡多分类准确率对用电采集系统的可靠运行具有重要意义。传统机器学习中以合成少数类过采样(synthetic minority oversampling technique,SMOTE)算法及其变体为代表的过采样方法,较少考虑数据全局分布,而后续采用的分类算法难以从数据中获取更深层特征信息。基于深度学习思想,提出一种基于条件变分自编码器-卷积神经网络(conditional variational auto encoder-convolutional neural network,CVAE-CNN)模型的不平衡多分类方法,将类别标签作为约束条件,搭建由全连接层构成的CVAE网络生成少数类样本,根据变分下界对服从多维且各维度为独立高斯分布的隐变量建模,学习各类分布特点和数据集全局特征,提高生成数据质量。平衡后的数据采用卷积神经网络进行分类,设计一维卷积层提取数据中潜藏的复杂特征,构造最大池化方法提高模型容错率,依据各类分布特点进行分类处理,提高对少数类别的识别率。以15个KEEL公开数据集和近年采集的智能电表故障数据作为实际算例,所提模型与典型的过采样方法和分类方法进行对比,实验结果表明具有更高的分类精度。