科研之友
微信
新浪微博
Facebook
分享链接
摘要
为获取较高的数据辨识效率，结合Spark架构理论，该文提出了一种基于改进K-Means和深度神经网络(DNN)算法的电力数据异常检测技术。首先，利用改进K-Means聚类算法对初始聚类中心的选取和样本权值进行适应性改进，实现各聚类子类的并行运算，从而提升异常数据的辨识效率。其次，该文建立了基于DNN算法的电力异常数据的修正模型，对辨识出的异常数据进行修正，针对现有聚类算法和异常值检测算法的参数难以控制且算法的随机性欠缺等问题，该文在DNN训练层中增加了反馈关联层，并使用改进粒子群算法对该算法的网络模型中的权值空间进行深度优化。最后，以某调度中心的监控与数据采集(SCADA)系统数据为样本开展算例验证，仿真结果说明该文方法能高效处理电网运行大数据的异常情况，数据成功修复率可维持在91%以上，对数据修复后预测的准确率平均达到95.2%。
- 单位
