申请/专利权人：南京邮电大学

申请日：2023-12-01

公开（公告）日：2024-03-01

公开（公告）号：CN117633688A

主分类号：G06F18/2433

分类号：G06F18/2433;G06F18/2411;G06F18/23213;G06F18/10;G06F18/213;G06F18/25;G06F18/214;G06N3/0442;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.19#实质审查的生效;2024.03.01#公开

摘要：本发明属于电力数据异常检测技术领域，公开了一种基于岭回归‑k均值聚类‑LOF‑LSTM融合算法的大规模电力数据异常检测方法，具体为：在电力数据异常检测之前，通过OVOSVMs模型研究原始大规模电力数据均值和方差特征，对原始电力数据划分为线性趋势型、平稳型、周期型和随机型四种类型，针对不同类型，构建岭回归、k‑means、LOF和LSTM融合算法进行异常检测。本发明能够实现对大规模电力数据的快速划分，并且可以有效避免单一异常检测算法无法检测出所有电力数据问题，提高了大规模电力数据异常检测的精度和效率。

主权项：1.一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法，其特征在于：所述大规模电力数据异常检测方法包括以下步骤：步骤1、对原始大规模电力数据进行预处理、提取每天电力数据的均值和方差特征，将特征提取后的电力数据分为训练集和测试集；步骤2、构建OVOSVMs模型，采用步骤1得到的训练集由OVOSVMs模型获得分类结果，与测试集的分类结果进行对比，对OVOSVMs模型进行参数优化后，获得最终OVOSVMs模型；步骤3、通过步骤2获得的最终OVOSVMs模型对电力数据进行分类；步骤4、构建岭回归、k-means、LOF和LSTM融合算法；步骤5、对步骤3中分类后的电力数据采用步骤4中构建的岭回归、k-means、LOF和LSTM融合算法进行异常检测。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD