电网异常业务数据检测方法综述

计算机与现代化 ›› 2023, Vol. 0 ›› Issue (03): 79-83.

电网异常业务数据检测方法综述

（1.国网陕西省电力公司西安供电公司，陕西西安 712042； 2.陕西思极科技有限公司，陕西西安 710086）

出版日期:2023-04-17 发布日期:2023-04-17
作者简介:白开峰（1979—），男，山西运城人，高级工程师，硕士，研究方向:电子信息，E-mail: 13572097906@139.com；赵宏斌（1968—），教授级高级工程师，硕士，研究方向:计算机技术；张芸（1983—），女，陕西西安人，高级工程师，硕士，研究方向:计算机技术，E-mail: 83509500@qq.com；李妍（1981—），女，陕西西安人，高级工程师，本科，研究方向:计算机科学与技术，E-mail: 11yan0629@126.com；崔静安（1968—），教授级高级工程师，硕士，研究方向:电气工程；刘千金（1988－），高级工程师，本科，研究方向:信息管理与信息系统；杨华（1977—），工程师，本科，研究方向:计算机科学与技术；倪娜（1978—），高级经济师，硕士，研究方向:项目管理。
基金资助:
国家自然科学基金面上项目（61772246

Review of Abnormal Service Data Detection Methods in Power Grid

（1. State Grid Xi’an Electric Power Supply Company， Xi’an 712042， China；
2. Shaanxi Siji Technology Co.，Ltd.， Xi’an 710086， China

Online:2023-04-17 Published:2023-04-17

摘要/Abstract

摘要： 智能电网概念的提出推动了电网智能化和信息化的发展，电力系统产生的各种类型的业务数据量也呈指数增长，其中产生的异常数据在很大程度上对电力数据分析和电网运行稳定性有着决定性的影响。本文对电网异常业务数据检测方法进行整理分类、分析和总结，分别介绍基于传统技术和基于人工智能技术的异常业务数据检测方法，分析和阐述每种方法的基本原理和特点，总结和展望电网异常业务数据检测所面临的挑战和未来的发展趋势，为后续研究提供一定的参考。

关键词: 智能电网, 业务数据, 异常检测, 人工智能

Abstract: The concept of smart grid has promoted the development of grid intelligence and informatization. The amount of various types of business data generated by the power system has also increased exponentially， and the abnormal data therein has decisive influnce on the analysis of power data and the stability of grid operation to a large extent. This article classifies， aralyzes and summarizes the methods for detecting abnormal business data in the power grid. The methods for detecting abnormal business data based on traditional technology and artificial intelligence technology are introduced respectively， and the basic principles and characteristics of each method are analyzed and explained. The challenges and future development trends of abnormal business data detection in power grids are summarized and prospected. This article which provides a certain reference for follow-up research.

Key words: smart grid, business data, outliers detection, artificial intelligence

白开峰, 赵宏斌, 张芸, 李妍, 崔静安, 刘千金, 杨华, 倪娜. 电网异常业务数据检测方法综述[J]. 计算机与现代化, 2023, 0(03): 79-83.

BAI Kai-feng, ZHAO Hong-bin, ZHANG Yun, LI Yan, CUI Jing-an, LIU Qian-jin, YANG Hua, NI Na. Review of Abnormal Service Data Detection Methods in Power Grid[J]. Computer and Modernization, 2023, 0(03): 79-83.

参考文献［30］

［1］	徐磊. 电力系统异常数据的检测辨识与修正探究［J］. 华东科技（学术版）， 2015（11）:261.
［2］	王晶. 电力系统异常数据检测辨识方法综述［J］. 电力与能源， 2015，36（6）:813-817.
［3］	杜洁，苏文伟，彭秋霞. 基于流量结构的电力综合数据网异常检测［C］// 2014年云南电力技术论坛论文集. 2014:301-307.
［4］	杜洁，苏文伟，彭秋霞. 基于流量结构的电力综合数据网异常检测［J］. 电子技术与软件工程， 2014（18）:49.
［5］	王雷，张瑞青，盛伟，等. 基于支持向量机的回归预测和异常数据检测［J］. 中国电机工程学报， 2009，29（8）:92-96.
［6］	许元斌，钟小强，王丹，等. 基于MapReduce模型的电力数据并行化的异常检测［J］. 情报探索， 2014（8）:74-78.
［7］	BREUNIG M M， KRIEGEL H P， NG R T， et al. LOF: Identifying density-based local outliers［C］// Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data. 2000:93-104.
［8］	罗翔宇. 面向智能电网的WAMS实时数据处理与异常检测方法研究［D］. 北京:华北电力大学， 2018.
［9］	张为金. 基于机器学习的电力异常数据检测［D］. 成都:电子科技大学， 2018.
［10］	李寒，余斌，佟宁，等. 一种电力感知数据的离群点检测方案［J］. 计算机技术与发展， 2020，30（2）:153-158.
［11］	应斐昊，邢宁哲，纪雨彤，等. 基于LOF的电力数据网业务流量异常检测［C］// 2016年全国通信软件学术会议论文集. 2016:23-28.
［12］	朱昌敏，岳东. 一种基于Spark模型的电力异常数据检测方法［J］. 计算机技术与发展， 2019，29（1）:146-150.
［13］	朱昌敏. 基于spark模型的电力异常数据检测和短期负荷预测［D］. 南京:南京邮电大学.
［14］	罗兰溪，李科，孔德诗，等. 基于云计算的电力异常大数据检测系统设计［J］. 电子设计工程， 2021，29（2）:81-84.
［15］	王桂兰，周国亮，赵洪山，等. 大规模用电数据流的快速聚类和异常检测技术［J］. 电力系统自动化， 2016，40（24）:27-33.
［16］	王德文，杨力平. 智能电网大数据流式处理方法与状态监测异常检测［J］. 电力系统自动化， 2016，40（14）:122-128.
［17］	吴蕊，张安勤，田秀霞，等. 基于改进K-means的电力数据异常检测算法［J］. 华东师范大学学报（自然科学版）， 2020（4）:79-87.
［18］	于小青，齐林海. 基于流数据聚类算法的电力大数据异常检测［J］. 电力信息与通信技术， 2020，18（3）:8-14.
［19］	黄锦增，乡立，段炼. 用于电力数据管理分析的负荷预测与异常检测［J］. 信息技术， 2021，45（1）:115-120.
［20］	石莹，罗峥，胡佳，等. 基于云计算的电力运行大数据异常值快速检测算法［J］. 电子设计工程， 2020，28（18）:43-46.
［21］	张春燕. 基于数据挖掘的电力负荷异常数据检测与修正研究［D］. 兰州:兰州理工大学， 2019.
［22］	刘凤魁，邓春宇，王晓蓉，等. 基于改进快速密度峰值聚类算法的电力大数据异常值检测［J］. 电力信息与通信技术， 2017，15（6）:36-41.
［23］	刘凤魁. 基于密度峰值聚类算法的电力大数据异常值检测及用电行为分析研究［D］. 北京:中国电力科学研究院， 2017.
［24］	陆春光，叶方彬，赵羚，等. 基于密度峰值聚类的电力大数据异常值检测算法［J］. 科学技术与工程， 2020，20（2）:654-658.
［25］	王家园. 密度峰值聚类算法研究及其在电力大数据异常值检测上的应用［D］. 南昌:南昌工程学院， 2019.
［26］	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）:362-371.
［27］	向华伟，王林，吕垚，等. 电网信息运维监控数据异常检测技术［J］. 中国科技纵横， 2019（18）:157-158.
［28］	钱忠敏，贺兴，葛晓军，等. 基于相关性分析的电力系统数据驱动异常早期检测［J］. 供用电， 2019，36（10）:30-35.
［29］	刘冬兰，马雷，刘新，等. 基于深度学习的电力大数据融合与异常检测方法［J］. 计算机应用与软件， 2018，35（4）:67-70.
［30］	潘轶彪，袁景淇，朱凯，等. 基于多层感知器的异常数据实时检测方法［J］. 上海交通大学学报， 2011，45（8）:135-138.

[1]	梁天恺, 黄康华, 刘凯航, 兰岚, 曾碧. 基于双向同态加密的深度联邦图片分类方法[J]. 计算机与现代化, 2023, 0(12): 36-40.
[2]	陈子健, 段春红. 面向在线学习情境的认知情绪面部表情识别[J]. 计算机与现代化, 2023, 0(10): 92-98.
[3]	农皓程, 任德均, 任秋霖, 刘澎笠, 黄德成. 基于改进ConvNeXt的软塑包装表面异常检测算法[J]. 计算机与现代化, 2023, 0(08): 12-17.
[4]	杨骏, 王劲林, 倪宏, 盛益强, . 工控网络异常检测中基于灵敏度的动态迁移算法[J]. 计算机与现代化, 2023, 0(05): 46-51.
[5]	王诗愉, 肖利东, 严心淳, 应文豪. 基于模拟退火的扩展孤立森林异常检测算法[J]. 计算机与现代化, 2023, 0(01): 88-94.
[6]	宋晓丽, 张勇波, 张培颖. 基于半监督学习的学生消费数据异常检测[J]. 计算机与现代化, 2022, 0(12): 13-17.
[7]	邱金水, 庄会富, 金涛. 面向海量植物图像的智能检索系统设计[J]. 计算机与现代化, 2022, 0(10): 62-67.
[8]	林凡勤, 李明明, 郭红. 变压器故障诊断技术综述[J]. 计算机与现代化, 2022, 0(03): 116-126.
[9]	郝怡然, 盛益强, 王劲林, . 基于t-SNE降维预处理的网络流量异常检测[J]. 计算机与现代化, 2021, 0(02): 109-116.
[10]	顾国庆, 李晓辉. 基于箱线图异常检测的指数加权平滑预测模型[J]. 计算机与现代化, 2021, 0(01): 28-33.
[11]	赵才荣, 傅佳悦, 卫志华, 丁志军, 苗夺谦. 面向人工智能专业课程的棋类博弈教学辅助平台[J]. 计算机与现代化, 2020, 0(12): 43-48.
[12]	吴海伟, 王晓忠, 朱法顺, . 一种基于遗传算法的智能电网调度方法[J]. 计算机与现代化, 2020, 0(09): 122-126.
[13]	吴迪, 潘建乔, 余方召, 潘白浪, 龚雁峰. 基于HoloLens的变电站巡检系统[J]. 计算机与现代化, 2020, 0(07): 50-54.
[14]	杨永娇，肖建毅，赵创业，周开东. 基于Isolation Forest和Random Forest相结合的智能电网时间序列数据异常检测算法[J]. 计算机与现代化, 2020, 0(03): 99-.
[15]	刘昌平1,刘海1,夏梦1,尹光彩2 . 俄罗斯方块的Hamming神经网络模型[J]. 计算机与现代化, 2020, 0(02): 51-.