科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统电力大数据异常值检测算法所存在的漏报率高、误报率高、互信息量小、准确率低的问题,提出了一种针对电力大数据融合与异常检测的改进方法,该方法通过深度受限玻尔兹曼机将异构数据统一嵌入到向量空间,而后再结合向量空间内数据来构建正常行为画像,如果新数据与正常行为画像的偏离值超过了一定阈值,那么就可判定为异常状态。将本文算法与其他7种常用算法的异常检测效果进行对比,结果表明:本文算法采用Dee-plearning4j来剖析嵌入式向量数据,进而获取数据画像,其他7种常用算法通过Spark自带算法来获取数据画像,本文算法的互信息量最大,准确率最高,漏报率、误报率在8种算法中处于最低值,由此可见,本文算法具有较高的可行性,可较好地实现电力大数据融合与异常检测,值得推广应用。
- 出版日期2021
- 单位贵州电网有限责任公司
