张哲敏，李琪林，严 平，成贵学

(1.上海电力大学计算机科学与技术学院，上海 200090；2.四川省电力公司计量中心，四川 成都 610045)

0 引 言

如今，随着智能电网的发展，电力系统中产生的数据量也不断增多。但安装在发电、输电、配电、用电各个环节各种类型的计量装置和系统，由于外部干扰等原因，会不可避免地出现异常数据，及时有效地检测出异常数据能够保障电力系统的稳定性和安全性。各种离群点检测算法能够检测出那些与正常数据行为或特征属性差别较大的异常数据或行为，有利于降低安全风险，减少经济损失。

目前，已经有一些文献研究了电力数据领域的异常值检测算法。它们可以大致分为基于距离的异常值检测、基于密度的异常值检测和基于聚类的异常值检测等。基于距离的异常值检测方法由EM Knorr、RT NG[1]等人在20世纪末提出，该方法认为与大多数样本的距离都大于某个固定阈值的点就是异常值点。但这种方法不能判断含有密度不同的多个类簇的数据集。基于密度的异常值检测的原理认为正常样本点所处的类簇密度要高于异常点样本所处的类簇密度。最具有代表性的是基于局部异常因子(local outlier faction, LOF)的异常值检测方法[2]。基于聚类的异常检测其目标是将数据点按照一定的规则划分到某一类中，而异常值检测的目标不属于任何簇的样本点k均值聚类算法，据此与正常样本点进行区别。目前，主要的基于聚类的异常值检测k均值聚类算法采用k-means和DBSCAN(density-based spatial clustering of applications with noise)算法进行聚类[3-4]。……