基于模糊信息粒球的电力物联网异常检测方法

摘要

异常检测旨在识别偏离正常模式的对象,广泛应用于金融、安防、医疗和网络等关键领域。在电力物联网中,异常检测对于应对频谱感知数据篡改攻击尤为重要,有助于保障系统运行稳定,减少潜在经济损失。然而,由于异常样本稀缺、分布不均且模式复杂,传统监督方法难以适应动态变化的实际环境,亟需一种高效且鲁棒的检测方案。为此,本文提出一种基于模糊信息粒球的多尺度异常检测方法（Fuzzy Information Granular-Ball based Outlier Detection,FBOD）,通过融合粗粒度与细粒度特征综合评估数据的异常程度。具体工作包含：1）利用粒球模型自适应划分样本集,并结合密度和邻域信息计算粗粒度异常分数,以捕捉全局异常模式；2）构建粒球模糊相似距离矩阵,提升对局部异常的识别能力；3）引入自然邻域异常度量,增强复杂模式的识别效果。实验结果表明,FBOD在多个标准异常检测数据集上AUC均在0.79以上,在电力物联网SSDF攻击数据集上AUC超过0.88,显著优于对比方法。该方法在提升电力系统安全性方面展现出良好适应性与检测性能,同时为其他领域的异常检测任务提供了新思路和技术支持。

关键词

电力物联网 / 异常检测 / 粒球计算