基于改进K-means的电力数据异常检测算法

• 作者: 吴蕊 张安勤 张挺 田秀霞
• 来源期刊: 华东师范大学学报（自然科学版）
• 学科: 工学
• 关键词: 初始聚类中心 密集度 异常检测
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 计算机科学
• 页码范围: 79-87
• 页数: 9页
• 分类号: TP393
• 字数: 4852字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-5641.201921012

摘要

异常检测方法在电力领域有着广泛的应用,如设备故障检测和异常用电检测等.改进了传统K-means聚类随机选择初始聚类中心的策略;结合数据对象的密集度与最大近邻半径,选择更加接近实际簇中心的数据点作为初始聚类中心,并在此基础上提出了一种基于改进K-means算法的电力数据异常检测新方法.实验表明,上述算法具有更优的聚类效果和异常检测性能,并且在应用于电力领域时,算法可以有效地检测出异常电力数据.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张安勤	上海电力大学计算机科学与技术学院	20	97	5.0	9.0
2	田秀霞	上海电力大学计算机科学与技术学院	45	454	9.0	21.0
3	张挺	上海电力大学计算机科学与技术学院	16	11	2.0	2.0
4	吴蕊	上海电力大学计算机科学与技术学院	2	0	0.0	0.0