基于ＩＷＯＡ-ＥＬＭ-ＡＥ的電力資產(chǎn)信息管理系統(tǒng)異常數(shù)據(jù)檢測方法

摘 要：針對當(dāng)前電力資產(chǎn)信息管理系統(tǒng)難以準確自主發(fā)現(xiàn)異常數(shù)據(jù)的問題，提出了一種基于ＩＷＯＡ-ＥＬＭ-ＡＥ的電力資產(chǎn)信息管理系統(tǒng)異常數(shù)據(jù)檢測方法。在管理系統(tǒng)框架下分析了可能存在的異常類型，將改進鯨魚優(yōu)化算法（ＩＷＯＡ）用于優(yōu)化極限學(xué)習(xí)機自編碼器（ＥＬＭ-ＡＥ），建立了電力信息系統(tǒng)異常數(shù)據(jù)優(yōu)化檢測模型。將模型應(yīng)用于電力資產(chǎn)信息異常數(shù)據(jù)檢測，并建立性能評估指標體系以衡量其效果。結(jié)果表明：所提方法的檢測性能評估結(jié)果與傳統(tǒng)模型相比具有顯著優(yōu)勢，能夠更為準確地檢測電力資產(chǎn)信息中存在的異常數(shù)據(jù)。

關(guān) 鍵 詞：信息管理系統(tǒng)；電力資產(chǎn)；異常數(shù)據(jù)檢測；極限學(xué)習(xí)機；自編碼器；鯨魚優(yōu)化算法；檢測性能；評估指標

中圖分類號：ＴＭ７１５ 文獻標志碼：Ａ 文章編號：１０００－１６４６（２０２４）０３－０２５５－０８

伴隨著智能電網(wǎng)信息化工程建設(shè)的穩(wěn)步推進，電網(wǎng)資產(chǎn)信息所涵蓋的數(shù)據(jù)呈現(xiàn)出指數(shù)級增長趨勢。當(dāng)前傳統(tǒng)資產(chǎn)會計核算通常難以發(fā)現(xiàn)海量信息中所包含的異常數(shù)據(jù)，從而引發(fā)電力信息資產(chǎn)利用不充分、不平衡的問題，并造成資源的極大浪費，嚴重情況下甚至可能會造成管理系統(tǒng)的崩潰，進而危及電網(wǎng)的穩(wěn)定運行，其已難以適應(yīng)新形勢下電力系統(tǒng)資產(chǎn)信息管理要求，提高電力系統(tǒng)資產(chǎn)信息管理水平迫在眉睫［１－２］。

現(xiàn)階段學(xué)術(shù)界及工業(yè)界對電力異常數(shù)據(jù)的檢測分析已開展了一系列研究并取得了一定成果。李新鵬等［３］針對電力調(diào)度監(jiān)測數(shù)據(jù)分析延時與經(jīng)驗依賴問題，以電力調(diào)度監(jiān)測數(shù)據(jù)為研究對象，在構(gòu)建基礎(chǔ)森林檢測器的基礎(chǔ)上，根據(jù)異常情況與緩沖數(shù)據(jù)容量判定結(jié)果來更新檢測器，通過異常偏差情況設(shè)定動態(tài)更新策略，從而得到基于孤立森林的電力調(diào)度數(shù)據(jù)異常檢測方法。王鋒等［４］深入研究了電力調(diào)度數(shù)據(jù)的分布差異，并引入馬氏距離制定對數(shù)區(qū)間隔離方案。通過集合中數(shù)個子樹得到相應(yīng)的森林異常檢測器，進而實現(xiàn)數(shù)據(jù)的異常檢測。陸春光等［５］根據(jù)聚類中心選取原則，通過對聚類差異度進行統(tǒng)計與分析，設(shè)計了分布式密度峰值聚類檢測方法來檢測異常電力數(shù)據(jù)。李清［６］采用改進粒子群算法（ＰＳＯ）對可能性模糊Ｃ均值聚類算法（ＦＣＭ）進行優(yōu)化，并將優(yōu)化后的聚類算法用于電力負荷數(shù)據(jù)的異常檢測，有效降低了誤檢率。吳蕊等［７］通過數(shù)據(jù)特征分析改進了Ｋｍｅａｎｓ算法聚類中心的選擇方法，并將改進后算法用于電力數(shù)據(jù)的異常檢測。上述方法均在一定程度上實現(xiàn)了電力數(shù)據(jù)的異常檢測，但在檢測過程中目標數(shù)據(jù)單一樣本容量達百萬乃至千萬級，通常需要海量數(shù)據(jù)樣本才能完成模型的訓(xùn)練和測試，且所檢測數(shù)據(jù)類型也較為單一，對同時包含多元數(shù)據(jù)類型樣本的測試效果不佳。電力資產(chǎn)信息的數(shù)據(jù)來源較為復(fù)雜，樣本容量相對較小，故上述方法難以應(yīng)用于電力資產(chǎn)信息的異常數(shù)據(jù)檢測。