鐘睿君

摘要：針對(duì)電力計(jì)量自動(dòng)化系統(tǒng)異常分析的問題，提出了一種基于 K 最近鄰（k-nearest neighbor，KNN） 算法的異常檢測(cè)方法。通過概述電力計(jì)量自動(dòng)化系統(tǒng)的結(jié)構(gòu)以及常見檢測(cè)方法，重點(diǎn)探究 KNN 算法的應(yīng) 用，驗(yàn)證了其在電力計(jì)量自動(dòng)化系統(tǒng)中的有效性。實(shí)驗(yàn)結(jié)果表明，基于 KNN 算法的異常檢測(cè)方法能夠較好 地發(fā)現(xiàn)和定位系統(tǒng)的異常情況，為系統(tǒng)運(yùn)行維護(hù)提供了重要支持。

關(guān)鍵詞：數(shù)據(jù)挖掘；電力計(jì)量自動(dòng)化；電力計(jì)量；計(jì)量自動(dòng)化

中圖分類號(hào)：TP311.13；TM933.4文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

信息時(shí)代下，數(shù)據(jù)的積累和應(yīng)用已經(jīng)成為各行 各業(yè)不可或缺的一部分 [1]。在電力行業(yè)中，電力計(jì) 量自動(dòng)化系統(tǒng)作為電力系統(tǒng)的關(guān)鍵組成部分，其產(chǎn) 生的海量數(shù)據(jù)蘊(yùn)含著寶貴的信息。然而，要從這些 數(shù)據(jù)中準(zhǔn)確地發(fā)現(xiàn)異常情況并非易事。這就需要將 現(xiàn)代數(shù)據(jù)挖掘技術(shù)與電力計(jì)量自動(dòng)化系統(tǒng)相結(jié)合， 從而更有效地分析和處理異常情況。

數(shù)據(jù)挖掘作為一種強(qiáng)大的技術(shù)手段，具有從大 量數(shù)據(jù)中發(fā)現(xiàn)隱藏信息和規(guī)律的能力。通過運(yùn)用數(shù) 據(jù)挖掘技術(shù)，可以更加深入地挖掘電力系統(tǒng)運(yùn)行過 程中所產(chǎn)生的數(shù)據(jù)，識(shí)別出其中的異常模式和規(guī) 律。例如，基于數(shù)據(jù)挖掘的異常檢測(cè)算法可以實(shí)現(xiàn) 快速發(fā)現(xiàn)電力系統(tǒng)中的異常行為，從而提前預(yù)警潛 在的問題，保障電力系統(tǒng)的穩(wěn)定運(yùn)行 [2-4]。

因此，將數(shù)據(jù)挖掘技術(shù)與電力計(jì)量自動(dòng)化系統(tǒng) 相結(jié)合，不僅可以提高發(fā)現(xiàn)和處理的異常情況效 率，還可以為電力系統(tǒng)的優(yōu)化提供新的思路和方 法。本文旨在探討如何利用數(shù)據(jù)挖掘技術(shù)來(lái)改進(jìn)電 力計(jì)量自動(dòng)化系統(tǒng)的異常分析能力，以應(yīng)對(duì)日益復(fù) 雜的電力系統(tǒng)運(yùn)行環(huán)境 [5]。

1 計(jì)量自動(dòng)化系統(tǒng)結(jié)構(gòu)及常見檢測(cè)方法

1.1 電力計(jì)量自動(dòng)化系統(tǒng)結(jié)構(gòu)

電力計(jì)量自動(dòng)化系統(tǒng)的結(jié)構(gòu)主要包括：傳感器 和儀表，用于實(shí)時(shí)測(cè)量電力參數(shù)；通信網(wǎng)絡(luò)，通過 有線或無(wú)線通信協(xié)議將數(shù)據(jù)傳輸至中央數(shù)據(jù)管理系 統(tǒng)；數(shù)據(jù)管理系統(tǒng)，負(fù)責(zé)數(shù)據(jù)存儲(chǔ)、實(shí)時(shí)監(jiān)測(cè)、分 析和報(bào)告；計(jì)量管理軟件，用于電力計(jì)費(fèi)和結(jié)算，并提供用戶友好的界面；報(bào)警和異常處理系統(tǒng)，監(jiān) 測(cè)異常情況并發(fā)送通知；安全性和權(quán)限控制，確保 系統(tǒng)訪問的安全性和合法性；可擴(kuò)展性和集成性， 允許系統(tǒng)與其他能源管理系統(tǒng)、建筑自動(dòng)化系統(tǒng)等 集成。整個(gè)系統(tǒng)負(fù)責(zé)全面監(jiān)測(cè)、測(cè)量和管理電力使 用情況，以提高能源效率并確保電費(fèi)計(jì)量和結(jié)算的 準(zhǔn)確性。

1.2 常見的數(shù)據(jù)異常檢測(cè)方法

1.2.1 基于模型的方法

基于模型的數(shù)據(jù)異常檢測(cè)方法是利用已知的數(shù) 據(jù)模型來(lái)識(shí)別數(shù)據(jù)中的異常值，這些模型可以是統(tǒng) 計(jì)模型、機(jī)器學(xué)習(xí)模型或其他數(shù)學(xué)模型?；谀Ｐ?的方法試圖捕捉數(shù)據(jù)中的整體結(jié)構(gòu)和規(guī)律，然后使 用這些模型來(lái)評(píng)估數(shù)據(jù)點(diǎn)的異常程度。

一種常見的基于模型的方法是使用概率統(tǒng)計(jì) 模型，如高斯混合模型（gaussian mixture model， GMM）。在 GMM 中，假設(shè)數(shù)據(jù)由多個(gè)高斯分布組 成，其中大多數(shù)數(shù)據(jù)點(diǎn)屬于正常高斯分布，而異常 點(diǎn)則可能來(lái)自于異常的高斯分布或者屬于極端值。 通過擬合 GMM，可以計(jì)算每個(gè)數(shù)據(jù)點(diǎn)屬于正常高 斯分布的概率，然后根據(jù)概率值來(lái)判斷數(shù)據(jù)點(diǎn)是否 異常。

基于模型的方法通常需要一定數(shù)量的訓(xùn)練數(shù)據(jù) 來(lái)建立模型，然后利用這些模型來(lái)評(píng)估新數(shù)據(jù)的異 常程度。其優(yōu)勢(shì)在于能夠捕捉數(shù)據(jù)的復(fù)雜結(jié)構(gòu)和模 式，且在處理復(fù)雜數(shù)據(jù)集時(shí)表現(xiàn)良好。然而，其缺 點(diǎn)是需要精心選擇和訓(xùn)練合適的模型，并且可能對(duì) 數(shù)據(jù)的分布和特性有一定的假設(shè)要求。

1.2.2 基于近鄰度的方法

基于近鄰度的數(shù)據(jù)異常檢測(cè)方法是利用數(shù)據(jù)點(diǎn) 之間的相似度或距離來(lái)識(shí)別異常值。這種方法假設(shè) 正常數(shù)據(jù)點(diǎn)通常會(huì)在特征空間中聚集成簇，而異常 點(diǎn)則可能遠(yuǎn)離這些簇或者與周圍的數(shù)據(jù)點(diǎn)相比具有 顯著不同的特征。

基于近鄰度的方法包括 K 最近鄰（k-nearest neighbors，KNN）、 局 部 離 群 因 子（local outlier factor，LOF）、 具 有 噪 聲 的 基 于 密 度 的 聚 類 （density-based spatial clustering of applications with noise，DBSCAN）等。這些方法通過分析數(shù)據(jù)點(diǎn)周 圍的密度或局部結(jié)構(gòu)來(lái)評(píng)估數(shù)據(jù)點(diǎn)的異常程度，從 而有效地識(shí)別出異常點(diǎn)。

基于近鄰度的方法的優(yōu)點(diǎn)：簡(jiǎn)單直觀，易于理 解和實(shí)現(xiàn)；不需要假設(shè)數(shù)據(jù)的分布或特性，因此對(duì) 于不同類型的數(shù)據(jù)集都能夠適用；能夠靈活地調(diào)整 參數(shù)以適應(yīng)不同的異常檢測(cè)任務(wù)。然而，基于近鄰 度的方法也存在一些限制。例如，對(duì)于高維數(shù)據(jù)或 大規(guī)模數(shù)據(jù)集的計(jì)算開銷較大，且對(duì)參數(shù)的選擇較 為敏感。因此，在應(yīng)用這些方法時(shí)需要謹(jǐn)慎選擇合 適的參數(shù)，并根據(jù)具體情況進(jìn)行優(yōu)化。

1.2.3 基于密度的方法

基于密度的方法是一種常用的數(shù)據(jù)挖掘技術(shù)， 通過分析數(shù)據(jù)點(diǎn)在特征空間中的分布密度來(lái)發(fā)現(xiàn)數(shù) 據(jù)的模式和結(jié)構(gòu)。在電力計(jì)量自動(dòng)化系統(tǒng)中，基于 密度的方法可以應(yīng)用于異常檢測(cè)、數(shù)據(jù)清洗、模式 識(shí)別等多個(gè)方面，以提高系統(tǒng)的可靠性和效率。

在異常檢測(cè)方面，基于密度的方法可以幫助識(shí) 別出數(shù)據(jù)中的異常點(diǎn)，這些異常點(diǎn)可能代表了系統(tǒng) 中的故障、惡意操作或其他異常情況。通過計(jì)算數(shù) 據(jù)點(diǎn)周圍的密度值，可以確定哪些數(shù)據(jù)點(diǎn)與周圍的 數(shù)據(jù)分布不一致，從而視其為異常。這種方法能夠 有效地發(fā)現(xiàn)不符合正常數(shù)據(jù)分布規(guī)律的異常情況， 有助于及時(shí)發(fā)現(xiàn)和處理電力計(jì)量系統(tǒng)中的問題。

2 基于KNN算法的計(jì)量自動(dòng)化終端異常 檢測(cè)

2.1 異常檢測(cè)流程介紹

基于 KNN 算法的計(jì)量自動(dòng)化終端異常檢測(cè)流 程涵蓋了多個(gè)關(guān)鍵步驟，如圖 1 所示。首先，通過 數(shù)據(jù)收集，獲取包括電流、電壓等參數(shù)的時(shí)間序列 數(shù)據(jù)，確保數(shù)據(jù)集包含正常和異常狀態(tài)。其次，對(duì) 數(shù)據(jù)進(jìn)行異常值和標(biāo)準(zhǔn)化處理，以保證數(shù)據(jù)的質(zhì) 量。通過特征選擇，選擇最具代表性的特征用于訓(xùn) 練和測(cè)試 KNN 算法模型。數(shù)據(jù)集分為訓(xùn)練集和測(cè) 試集，利用有標(biāo)簽的訓(xùn)練數(shù)據(jù)訓(xùn)練 KNN 算法模型，并通過評(píng)估指標(biāo)驗(yàn)證模型性能。確定最優(yōu)的 K 值 以提高模型的泛化能力。將訓(xùn)練好的 KNN 算法模 型集成到實(shí)際系統(tǒng)中，實(shí)時(shí)監(jiān)測(cè)終端數(shù)據(jù)，當(dāng)檢測(cè) 到異常時(shí)可觸發(fā)報(bào)警機(jī)制。系統(tǒng)需要不斷優(yōu)化和調(diào) 整，根據(jù)實(shí)際情況和反饋，以確保模型在不同條件 下的準(zhǔn)確性和穩(wěn)定性。

2.2 異常分析

KNN 算法是一種基于實(shí)例的學(xué)習(xí)方法，常用 于分類和回歸問題。其核心思想是基于特征空間 中的數(shù)據(jù)點(diǎn)之間的距離或相似度，從而判斷一個(gè) 新的數(shù)據(jù)點(diǎn)屬于哪一類別或者對(duì)應(yīng)的數(shù)值（圖 1）。 KNN 算法基本步驟如下。

（1）準(zhǔn)備好帶有標(biāo)簽的訓(xùn)練數(shù)據(jù)集，其中包括 特征值和相應(yīng)的類別標(biāo)簽。

（2）對(duì)于一個(gè)新的未標(biāo)記數(shù)據(jù)點(diǎn) x，計(jì)算該數(shù) 據(jù)點(diǎn)與訓(xùn)練數(shù)據(jù)集中所有數(shù)據(jù)點(diǎn)的距離或相似度。 常用的距離度量包括歐氏距離 d（x，xi ）或其他相 似度度量方法。假設(shè)訓(xùn)練數(shù)據(jù)集包含 N 個(gè)樣本，其 中第 i 個(gè)樣本的特征向量表示為 xi 。

（3）選擇與新數(shù)據(jù)點(diǎn)距離最近的 K 個(gè)鄰居。通 常通過計(jì)算距離度量來(lái)確定最近鄰居。設(shè) D（x） 為新數(shù)據(jù)點(diǎn) x 與所有訓(xùn)練數(shù)據(jù)點(diǎn)的距離集合，則選 擇 D（x）中距離最小的 K 個(gè)樣本。

（4）假設(shè) C（xi ）為第 i 個(gè)樣本的異常類別（正 ?；虍惓＃?，則新數(shù)據(jù)點(diǎn) x 的類別 C（xi ）計(jì)算公式 如下：

其中，1（·）為指示函數(shù)，如果括號(hào)內(nèi)條件成立 則取值為 1，否則為 0。

（5）根據(jù)投票決策結(jié)果，將新數(shù)據(jù)點(diǎn)劃分為正 常或異常。對(duì)于回歸問題，可以使用 K 個(gè)最近鄰居 的異常度量的平均值或加權(quán)平均值來(lái)估計(jì)新數(shù)據(jù)點(diǎn) 的異常度。

（6）使用評(píng)價(jià)指標(biāo)（準(zhǔn)確率、召回率、F1 分 數(shù)）來(lái)評(píng)估模型的性能。

3 實(shí)驗(yàn)結(jié)果與分析

本文選取某地區(qū) 2020 年現(xiàn)場(chǎng)運(yùn)行維護(hù)的信息 表作為數(shù)據(jù)進(jìn)行分析，其中包含 5 704 條數(shù)據(jù)，這 些數(shù)據(jù)中包括終端編號(hào)、終端最后在線時(shí)間、計(jì)量 點(diǎn)最后數(shù)據(jù)時(shí)間和故障類型。故障類型統(tǒng)計(jì)如表 1 所示。

利用 KNN 算法計(jì)量自動(dòng)化終端進(jìn)行異常類型 檢測(cè)，利用準(zhǔn)確率、召回率和 F1 分?jǐn)?shù)對(duì)得到的結(jié) 果進(jìn)行評(píng)估。由表 2 可知，類別 3、類別 4 和類 別 5 這 3 種故障能夠被有效識(shí)別。類別 1 和類別 2 識(shí)別效果較差，證明該算法可能在識(shí)別某些特定類 型的故障時(shí)存在困難或者漏洞。因此，需要進(jìn)一步 分析低 F1 分?jǐn)?shù)對(duì)應(yīng)的具體故障類型，并考慮改進(jìn) 算法或者調(diào)整模型參數(shù)以提高對(duì)這些故障類型的識(shí) 別能力。

4 結(jié)論

本文深入探討了電力計(jì)量自動(dòng)化系統(tǒng)異常分析 的方法，對(duì)電力計(jì)量自動(dòng)化系統(tǒng)的結(jié)構(gòu)和常見檢測(cè) 方法進(jìn)行了概述，重點(diǎn)探究了基于 KNN 算法的異 常檢測(cè)方法，并通過實(shí)驗(yàn)驗(yàn)證其性能。結(jié)果表明， 基于 KNN 算法的異常檢測(cè)方法在電力計(jì)量自動(dòng)化 系統(tǒng)中表現(xiàn)出良好的效果，能夠有效地發(fā)現(xiàn)和定位 系統(tǒng)的異常情況，為系統(tǒng)運(yùn)行維護(hù)提供了重要支 持。未來(lái)，將進(jìn)一步探索 KNN 算法在電力系統(tǒng)異 常分析中的應(yīng)用，以進(jìn)一步完善異常檢測(cè)機(jī)制，保 障電力計(jì)量系統(tǒng)的正常運(yùn)行。

參考文獻(xiàn)

[1] 劉璐，蘇逸塵 . 基于大數(shù)據(jù)的電力計(jì)量裝置故障智能化診 斷分析 [J]. 集成電路應(yīng)用，2023，40（12）：216-217.

[2] 康艷 . 電能計(jì)量自動(dòng)化系統(tǒng)在電能計(jì)量裝置異常處理 中的應(yīng)用 [J]. 光源與照明，2023（3）：136-138.

[3] 余健，林炳鋒，趙矚華，等 . 一種基于聚類分析的電 力計(jì)量自動(dòng)化檢定流水線故障診斷方法 [J]. 電子設(shè)計(jì) 工程，2020，28（8）：76-79，84.

[4] 王永才，余永忠，翟鴻榮 . 電力計(jì)量自動(dòng)化海量實(shí) 時(shí)數(shù)據(jù)管理平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn) [J]. 企業(yè)技術(shù)開發(fā)， 2013，32（14）：117-118.

[5] 李景青 . 電力計(jì)量大數(shù)據(jù)對(duì)計(jì)量裝置運(yùn)維的應(yīng)用 [J]. 技術(shù)與市場(chǎng)，2017，24（9）：103-104