基于改进PSO-PFCM聚类算法的电力大数据异常检测方法

针对传统电力大数据异常检测方法检测精度低、复杂度高等问题,提出了一种将可能性模糊C均值算法和改进的粒子群优化算法相结合的电力大数据异常检测方法.使用改进的粒子群优化算法和重新定义的聚类有效函数来优化可能性模糊C均值算法的初始中心和数目.通过仿真将该算法与改进前算法进行对比分析,验证该算法的优越性.实验结果表明,该算法能够准确地实现电力大数据异常值检测,改进后误检率从0.36％降低到0.05％....

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	电力系统保护与控制 Ročník 49; číslo 18; s. 161 - 166
Hlavní autor:	李清
Médium:	Journal Article
Jazyk:	čínština
Vydáno:	深圳供电局有限公司,广东深圳 518000 16.09.2021
Témata:	电力大数据;异常检测;模糊C均值算法;粒子群优化算法
ISSN:	1674-3415
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Popis
Shrnutí:	针对传统电力大数据异常检测方法检测精度低、复杂度高等问题,提出了一种将可能性模糊C均值算法和改进的粒子群优化算法相结合的电力大数据异常检测方法.使用改进的粒子群优化算法和重新定义的聚类有效函数来优化可能性模糊C均值算法的初始中心和数目.通过仿真将该算法与改进前算法进行对比分析,验证该算法的优越性.实验结果表明,该算法能够准确地实现电力大数据异常值检测,改进后误检率从0.36％降低到0.05％.
ISSN:	1674-3415
DOI:	10.19783/j.cnki.pspc.210105