[發明專利]一種基于二次檢測法的電力負荷異常數據檢測方法及系統

有效

• 申請號: 202110794651.2
• 申請日: 2021-07-14
• 公開（公告）號: CN113554079B
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 季曉慧;張麗薇;李晨
• 申請（專利權）人: 中國地質大學（北京）
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06F18/243;G06F18/23213
• 代理公司: 北京頭頭知識產權代理有限公司 11729
• 代理人: 劉鋒

本發明實施例公開了一種基于二次檢測法的電力負荷異常數據檢測方法及系統，本發明的方法包括：獲取某地區電力負荷歷史數據；建立基于網格化搜索設置參數的DBSCAN異常檢測模型對樣本進行聚類并標注簇外異常點；對聚類出的各簇建立iForest?MIE異常檢測模型將各簇內不滿足閾值的樣本點標注為異常值；匯總兩個模型所得的簇內外異常數據并修正以供后續負荷預測。本發明技術方案能夠通過DBSCAN和iForest?MIE異常檢測模型進行兩次檢測分別識別簇外和簇內異常值，能夠更加準確地識別出數據集中的所有異常值，修正后能在后續的負荷預測中得到更準確的結果。

技術領域

本發明實施例涉及電力負荷異常數據檢測技術領域，具體涉及一種基于二次檢測法的電力負荷異常數據檢測方法及系統。

背景技術

根據檢測原理的不同，異常檢測模型可以分為基于統計的數學方法、基于距離的聚類算法以及基于機器學習的方法。傳統的異常檢測通常采用基于統計的數學方法，通過人為經驗、狀態估計和專家系統來進行。專家根據已有的調度經驗對時間序列數據進行分析，判斷是否存在數據異常，這種方式具有明顯的主觀性并且不具備規范性，無法形成系統科學的判別方法。基于狀態估計的方法相對其它傳統的異常檢測方法應用較為普遍，其根據時序數據殘差的概率分布來判定該數據是否為異常值。常見的狀態估計方法主要包括估識檢測、非二次準則檢測和殘差搜索檢測等。但是這些方法存在計算復雜而且準確率較低的問題，容易造成數據遺漏和誤判。隨著云平臺和優化算法的不斷發展，機器學習理論因泛化性強、識別準確度高等優點在異常檢測領域的應用逐漸推廣，按照機器學習的模式不同主要可以分為以下幾種：

(1)有監督學習，基于有監督學習的異常檢測需要有標注的數據集，在模型訓練前首先對電力負荷數據進行狀態標記，即標注是否為異常，隨后將標注好的數據輸入到模型中進行訓練。基于有監督學習的異常檢測本質是機器學習中的一種分類任務，機器學習中常用的分類算法理論上都適用于異常檢測。

(2)半監督學習，半監督學習是針對部分有標簽的數據集進行的學習，是一種邊學習邊標注的模型。基于半監督學習的模型異常檢測分為兩個過程，首先在有標簽的數據上進行訓練，過程與有監督學習類似；隨后模型應用在無標記的數據中進行檢測，選擇其中可信度高的數據參與訓練和學習，直到數據集都已加入訓練。但在異常檢測任務中，數據的標簽值的獲取和正異數據數量分布不均勻導致半監督學習對數據的要求較高。

(3)無監督學習，基于無監督學習的時序異常檢測模型一般通過基于距離計算或者密度分析進行聚類。無監督學習訓練時不需要提前對數據進行標記，而是計算數據之間的距離或者密度從而形成簇，將不屬于簇的數據標記為異常點。在缺乏足夠的先驗知識，無法對數據進行標記時使用無監督學習算法是較好的選擇。

發明內容

本發明實施例提供一種基于二次檢測法的電力負荷異常數據檢測方法及系統，通過采用基于無監督學習的DBSCAN聚類和iForest-MIE模型對數據進行二次異常檢測，能夠避免單一無監督學習模型對異常值的漏檢和誤檢，確保異常檢測的全面性，將檢測到的錯誤數據修正后，可更加準確地進行下一步的電力負荷預測工作。

根據本發明實施例的第一方面，提出了一種基于二次檢測法的電力負荷異常數據檢測方法，所述方法包括：

獲取某地區電力負荷歷史數據；

網格化搜索設置參數建立DBSCAN異常檢測模型；

使用DBSCAN模型對數據進行聚類并標注簇外異常數據；

對DBSCAN聚類出的各簇建立iForest-MIE異常檢測模型，并檢測簇內異常點，包括：

(1)隨機設置異常值比例r并據此確定構建iTree樹的閾值；

(2)隨機選取n_samples個數據作為iTree樹的根節點，n_samples默認設置為256，并將一維的時序數據復制擴展為max_depth維度，其中max_depth默認為數據量N的平方根；