作者：姜丹1, 梁春燕2, 吴军英1, 常永娟1
作者单位：1. 国网河北省电力有限公司信息通信分公司，河北 石家庄 050000;
2. 山东理工大学计算机科学与技术学院，山东 淄博 255049
关键词：大数据分析;数据异常;检测示警;时窗;似然比
摘要：
传统的数据检测方法易受电力系统环境变化的影响，难以对加时窗数据进行检测，降低检测准确率。为此，该文利用大数据分析技术估计电力运行数据的最大似然值等信息，设计新的电力运行数据异常检测示警方法，从根本上提高检测准确率。根据电力运行数据异常检测示警原理，对不同时窗中的子序列进行聚类处理，确定每个时窗中的异常数据；通过提取单数据、多数据特征量，用转移概率序列表示电力运行数据动态变化情况，在完成正常数据与异常数据间模糊特征聚类的基础上，采用大数据分析方法计算电力运行均值和方差，完成最大似然值估计，通过似然比建立异常情况检测与示警流程，对数据异常情况进行检测示警。实验结果表明，在油温和环境温度变化的情况下，所提方法的检测准确率较高，且示警过程耗时较少，证明该方法整体有效性较高。
Alarm method of power operation data anomaly detection based on big data analysis
JIANG Dan1, LIANG Chunyan2, WU Junying1, CHANG Yongjuan1
1. State Grid Hebei Information & Telecommunication Branch, Shijiazhuang 050000, China;
2. College of Computer Science and Technology, Shandong University of Technology, Zibo 255049, China
Abstract: The traditional data detection method is easily affected by the change of power system environment, so it is difficult to detect the data of the overtime window, which reduces the detection accuracy. Therefore, this paper uses big data analysis technology to estimate the maximum likelihood value and other information of power operation data, and designs a new power operation data anomaly detection warning method to fundamentally improve the detection accuracy rate. According to the warning principle of abnormal detection of power operation data, the sub-sequences in different windows are processed by clustering, and the abnormal data in each window is determined. By extracting single data, characteristic data, with the transition probability sequence dynamic change of electric power operation data, fuzzy characteristics between normal data and abnormal data clustering, on the basis of the big data analysis method to calculate power running mean and variance, complete the maximum likelihood estimation, build anomalies by likelihood ratio detection and warning process, warning for detecting data anomalies. The experimental results show that the proposed method has higher detection accuracy and less warning time under the condition of oil temperature change.
Keywords: big data analysis;abnormal data;detection warning;time window;likelihood ratio
2020, 46(7):18-23 收稿日期: 2020-04-16;收到修改稿日期: 2020-05-28
基金项目: 国家自然科学基金项目（11704229）
作者简介: 姜丹(1989-),女,河北邢台市人,工程师,硕士,主要从事电子信息通信技术、电力数据分析技术研究
参考文献
[1] 江秀臣, 盛戈皞. 电力设备状态大数据分析的研究和应用[J]. 高电压技术, 2018, 44(4): 1041-1050
[2] 姜红红, 张涛, 赵新建, 等. 基于大数据的电力信息网络流量异常检测机制[J]. 电信科学, 2017, 33(3): 134-141
[3] 李新鹏, 高欣, 阎博, 等. 基于孤立森林算法的电力调度流数据异常检测方法[J]. 电网技术, 2019, 43(4): 1447-1456
[4] 李永攀, 门锟, 吴俊阳. 基于低秩模型的电力状态数据异常检测[J]. 计算机工程与应用, 2019, 55(16): 255-258
[5] 贺川双, 杜修明, 严英杰, 等. 基于数据挖掘和主成分分析的电力设备状态评价[J]. 高压电器, 2017, 53(12): 34-41
[6] JIE J S, HU Z X, QIAN G Y, et al. Discovering unusual structures from exception using big data and machine learning techniques[J]. Science Bulletin, 2019, 64(9): 612-616
[7] 薛鑫. 大型数据库中异常信息检测仿真研究[J]. 计算机仿真, 2017, 34(8): 399-402
[8] EFSTATHIOS K, ANTHONY T, LEONIDAS D. Set-theoretic detection of data corruption attacks on cyber physical power systems[J]. Journal of Modern Power Systems and Clean Energy, 2018, 6(5): 872-886
[9] 裴茂林, 黄洋界, 赵伟. 智能电能表异常测量数据诊断方法综述[J]. 电测与仪表, 2018, 55(23): 136-142
[10] 柴谦益, 郑文斌, 潘捷凯, 等. 基于大数据分析的智能配电网状态监测与故障处理方法研究[J]. 现代电子技术, 2018, 41(4): 105-108
[11] 郑海雁, 王成亮. 基于用电大数据的中长期负荷预测研究[J]. 电测与仪表, 2018, 55(13): 74-77
[12] 曲朝阳, 张艺竞, 王永文, 等. 基于Spark框架的能源互联网电力能源大数据清洗模型[J]. 电测与仪表, 2018, 55(2): 39-44
