以電力系統(tǒng)為目標(biāo)的網(wǎng)絡(luò)攻擊和設(shè)備故障等突發(fā)事件會引發(fā)用戶端的不正常斷電和中斷,造成巨大的經(jīng)濟(jì)損失和安全事故。因此,基于機(jī)器學(xué)習(xí)的電力系統(tǒng)異常檢測與分類方法具有重要的研究價值和現(xiàn)實意義。現(xiàn)有的有監(jiān)督電力系統(tǒng)異常檢測與分類方法不能識別未知事件或攻擊且訓(xùn)練數(shù)據(jù)不足時性能驟降,而無監(jiān)督電力系統(tǒng)異常檢測與分類方法性能低下且無法提供異常事件或攻擊具體信息,本文提出了兩種不同的電力系統(tǒng)異常檢測與分類方法來解決以上問題。其具體內(nèi)容和創(chuàng)新之處如下所示:（1）針對電力系統(tǒng)異常檢測查全率較低和性能驟降的問題,本文提出了一種組合型電力系統(tǒng)異常檢測方法,該方法能夠根據(jù)輸入訓(xùn)練數(shù)據(jù)的數(shù)量自動選擇最佳的檢測算法。主要創(chuàng)新點在于當(dāng)訓(xùn)練數(shù)據(jù)充足時,使用增強(qiáng)型多粒度級聯(lián)森林來進(jìn)行異常檢測,利用梯度提升決策樹來替換級聯(lián)森林中的完全隨機(jī)森林,進(jìn)一步增強(qiáng)了級聯(lián)森林的集成性和健壯性,改良后的多粒度級聯(lián)森林不僅具有深度學(xué)習(xí)算法的優(yōu)良特性,還有效地縮短了訓(xùn)練所需的時間,降低了模型的復(fù)雜度。當(dāng)訓(xùn)練數(shù)據(jù)不足時,使用遺傳算法進(jìn)行異常檢測,并且通過浮點數(shù)編碼對遺傳算法進(jìn)行了改良,從而加快了收斂速度,簡化了操作難度,縮短了訓(xùn)練時間,基于遺傳算... 

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究歷史與現(xiàn)狀
    1.3 本論文的主要內(nèi)容與創(chuàng)新
    1.4 本論文的內(nèi)容章節(jié)安排
第二章 電力系統(tǒng)異常檢測與分類相關(guān)技術(shù)
    2.1 電力系統(tǒng)基本結(jié)構(gòu)與網(wǎng)絡(luò)架構(gòu)
    2.2 電力網(wǎng)絡(luò)廣域監(jiān)測系統(tǒng)
    2.3 電力系統(tǒng)異常檢測與分類技術(shù)
    2.4 機(jī)器學(xué)習(xí)算法簡介
    2.5 特征預(yù)處理技術(shù)
    2.6 本章小結(jié)
第三章 電力系統(tǒng)異常檢測研究
    3.1 電力系統(tǒng)異常檢測問題描述
    3.2 組合型電力系統(tǒng)異常檢測方法
    3.3 基于增強(qiáng)型多粒度級聯(lián)森林的異常檢測
    3.4 基于遺傳算法的異常檢測
    3.5 方案仿真與結(jié)果分析
        3.5.1 仿真環(huán)境與數(shù)據(jù)集
        3.5.2 實驗實施與參數(shù)設(shè)置
        3.5.3 結(jié)果評估與分析
    3.6 本章小結(jié)
第四章 電力系統(tǒng)異常分類研究
    4.1 電力系統(tǒng)異常分類問題描述
    4.2 兩種電力系統(tǒng)異常分類方法
    4.3 自適應(yīng)電力系統(tǒng)異常分類方法
        4.3.1 數(shù)據(jù)采集和預(yù)處理階段
        4.3.2 基于增強(qiáng)型多粒度級聯(lián)森林的分類階段
        4.3.3 未知事件檢測與系統(tǒng)更新階段
    4.4 基于半監(jiān)督聚類的電力系統(tǒng)異常分類方法
        4.4.1 基于遺傳算法的異常檢測
        4.4.2 基于KNN思想的標(biāo)記擴(kuò)展
        4.4.3 聚類中的特征選擇
        4.4.4 基于半監(jiān)督聚類的異常分類
        4.4.5 相似度量法判斷未知攻擊
    4.5 方案仿真與結(jié)果分析
        4.5.1 仿真環(huán)境和數(shù)據(jù)集
        4.5.2 實驗實施和參數(shù)設(shè)置
        4.5.3 仿真結(jié)果和對比分析
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文研究總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]基于電網(wǎng)運行大數(shù)據(jù)的在線分布式安全特征選擇[J]. 黃天恩,孫宏斌,郭慶來,溫柏堅,郭文鑫.  電力系統(tǒng)自動化. 2016(04)
[2]淺析我國電力系統(tǒng)存在的問題[J]. 呂萍,陳利.  中國高新技術(shù)企業(yè). 2015(13)
[3]面向智能電網(wǎng)應(yīng)用的電力大數(shù)據(jù)關(guān)鍵技術(shù)[J]. 彭小圣,鄧迪元,程時杰,文勁宇,李朝暉,牛林.  中國電機(jī)工程學(xué)報. 2015(03)
[4]基于云計算技術(shù)的電力大數(shù)據(jù)預(yù)處理屬性約簡方法[J]. 曲朝陽,陳帥,楊帆,朱莉.  電力系統(tǒng)自動化. 2014(08)
[5]Hadoop云構(gòu)架的智能調(diào)度無損集群壓縮技術(shù)[J]. 屈志堅,郭亮,陳秋琳,蔣俊俊.  電力系統(tǒng)自動化. 2013(18)
[6]一種基于鄰域距離的聚類特征選擇方法[J]. 秦奇?zhèn)?梁吉業(yè),錢宇華.  計算機(jī)科學(xué). 2012(01)

碩士論文
[1]城市公共交通換乘客流時空分布可視化及站點聚類分析[D]. 傅準(zhǔn).廣東工業(yè)大學(xué) 2019
[2]電力系統(tǒng)同步相量測量算法的研究[D]. 蔣超.山東大學(xué) 2011



本文編號：3734374