简介:【摘要】随着智能电表和用电信息采集系统推广应用,“台区同期线损”理念为大众熟知。 台区同期线损依托采集全覆盖和营配调全贯通,以供、用电量同步采集和在线监测为核心,以台区线损达标治理和精准降损为重点,突出线损管控的实时性,真正实现了线损管理的集约化、信息化和精益化,是线损管理模式的全面升级。 然而,在同期线损愈发精益的管控模式下,对于运检、营销等业务系统数据档案的完整性、准确性、一致性要求更高,一定程度上数据质量的优劣直接决定了同期线损的管控水平。 因此,异常数据治理是同期线损管理过程中一项举足轻重的重要工作。
简介:【摘要】营配贯通是指配电网和营销两套业务系统进行优化整合,实现营配数据信息共享和业务流程优化协同运作。为了推进营配贯通的深化应用,需以采集系统全覆盖为支撑,常态化开展营配集成业务为手段,深入挖掘采集系统数据和功能应用,加强与营销、配电等相关系统集成,实现线损管理精细化,推进营销发展方式转变,提升公司供电服务水平。
简介:摘要: 现如今,人们的生活质量在不断提高,对于电力的需求在不断加大, 针对电力大数据流的异常检测问题,该文将流数据聚类算法与电力大数据相结合,针对现有流数据聚类算法不易存储全部数据、断电数据易丢失等问题,以及流数据聚类算法对于离线阶段聚类算法实时应答的要求,从数据的完整性、安全性以及流数据聚类算法的低时间复杂度的角度出发,对 CluStream 流数据聚类算法进行改进,提出流式 K-means 聚类算法。对在线阶段,使用 Redis 集群进行流数据的缓冲,并设计节点时间衰减策略,增大心跳消息中有效消息所占比例;对离线阶段聚类算法进行优化,使用最佳距离法确定初始聚类中心,减少迭代次数;最后,使用所提出的流式 K-means 聚类算法进行用户用电异常行为检测,实验结果表明,该算法能够很好的发现用户用电异常行为。
简介:摘要:当今互联网中的数据样本的数量、种类、规模和复杂性的呈现爆炸式增长,同时每个端口以及服务器上需要进行检测的的网络流量的规模也大大提高。虽然目前的网络流量跨多个维度并具有很多属性,但可以提取用作异常流量检测的属性不多,因此,需要把数据集中蕴含的信息价值较大的属性筛选出来进行异常流量检测。基于以上特点,本文提出了改进的 K-Means算法,对原始 K-Means算法初始质心的选择方法进行优化,使得算法可以进行更方便迅速的初始簇的选择,来大大降低迭代时间。由于一般离群点检测模型的准确率较低,本文还使用了关联规则挖掘算法,来从无异常数据的网络流量样本中筛选出纯净网络流量的特征属性,再根据这些特征对网络流量进行离群点检测。