基于ＩＷＯＡ-ＥＬＭ-ＡＥ的電力資產信息管理系統異常數據檢測方法

摘 要：針對當前電力資產信息管理系統難以準確自主發現異常數據的問題，提出了一種基于ＩＷＯＡ-ＥＬＭ-ＡＥ的電力資產信息管理系統異常數據檢測方法。在管理系統框架下分析了可能存在的異常類型，將改進鯨魚優化算法（ＩＷＯＡ）用于優化極限學習機自編碼器（ＥＬＭ-ＡＥ），建立了電力信息系統異常數據優化檢測模型。將模型應用于電力資產信息異常數據檢測，并建立性能評估指標體系以衡量其效果。結果表明：所提方法的檢測性能評估結果與傳統模型相比具有顯著優勢，能夠更為準確地檢測電力資產信息中存在的異常數據。

關 鍵 詞：信息管理系統；電力資產；異常數據檢測；極限學習機；自編碼器；鯨魚優化算法；檢測性能；評估指標

中圖分類號：ＴＭ７１５ 文獻標志碼：Ａ 文章編號：１０００－１６４６（２０２４）０３－０２５５－０８

伴隨著智能電網信息化工程建設的穩步推進，電網資產信息所涵蓋的數據呈現出指數級增長趨勢。當前傳統資產會計核算通常難以發現海量信息中所包含的異常數據，從而引發電力信息資產利用不充分、不平衡的問題，并造成資源的極大浪費，嚴重情況下甚至可能會造成管理系統的崩潰，進而危及電網的穩定運行，其已難以適應新形勢下電力系統資產信息管理要求，提高電力系統資產信息管理水平迫在眉睫［１－２］。

現階段學術界及工業界對電力異常數據的檢測分析已開展了一系列研究并取得了一定成果。李新鵬等［３］針對電力調度監測數據分析延時與經驗依賴問題，以電力調度監測數據為研究對象，在構建基礎森林檢測器的基礎上，根據異常情況與緩沖數據容量判定結果來更新檢測器，通過異常偏差情況設定動態更新策略，從而得到基于孤立森林的電力調度數據異常檢測方法。王鋒等［４］深入研究了電力調度數據的分布差異，并引入馬氏距離制定對數區間隔離方案。通過集合中數個子樹得到相應的森林異常檢測器，進而實現數據的異常檢測。陸春光等［５］根據聚類中心選取原則，通過對聚類差異度進行統計與分析，設計了分布式密度峰值聚類檢測方法來檢測異常電力數據。李清［６］采用改進粒子群算法（ＰＳＯ）對可能性模糊Ｃ均值聚類算法（ＦＣＭ）進行優化，并將優化后的聚類算法用于電力負荷數據的異常檢測，有效降低了誤檢率。吳蕊等［７］通過數據特征分析改進了Ｋｍｅａｎｓ算法聚類中心的選擇方法，并將改進后算法用于電力數據的異常檢測。上述方法均在一定程度上實現了電力數據的異常檢測，但在檢測過程中目標數據單一樣本容量達百萬乃至千萬級，通常需要海量數據樣本才能完成模型的訓練和測試，且所檢測數據類型也較為單一，對同時包含多元數據類型樣本的測試效果不佳。電力資產信息的數據來源較為復雜，樣本容量相對較小，故上述方法難以應用于電力資產信息的異常數據檢測。