段翔兮，张华，高艺文，孙永超，胡蓉

（国网四川省电力公司电力科学研究院，四川 成都 610041）

近年来，随着信息技术的发展速度越来越快，电力系统设备越来越发达，但是电力系统设备一旦出现问题就会影响整个系统的正常运行，因此必须要对信息进行在线识别。最先进的识别技术便是近年来提出的新媒体交互技术，它的开放性、灵活性、交互性及连结性推动了我国信息社会构建模式的改革，为信息技术的发展提供了有利的平台。但新媒体交互技术在电力系统中的应用还处在一个成长的阶段，存在一些不足之处，比如说信息安全性不足，容易被入侵，导致隐患信息识别不准确[1]。

因此，本文基于kNN（k-nearest neighbor）算法提出了一种新的电力系统设备隐患在线识别方法。kNN算法又称k最近邻分类算法，所谓k最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻近值来代表。kNN算法是一种非常特别的机器学习算法，通过测量不同特征值之间的距离来进行分类，它没有一般意义上的学习过程，主要是利用训练数据对特征向量空间进行划分，并将划分结果作为最终算法模型[2]。本文采用kNN算法充分提取电力系统设备内部隐患信息状态，利用静电力反馈波形对信息进行在线识别，提高电力系统设备隐患信息的识别效率和识别精度。

1 基于kNN算法的电力系统设备隐患信息提取

为实现本文研究的基于kNN算法的电力系统设备隐患在线识别方法，首先是该技术下电力系统设备隐患信息提取的设计。……