[发明专利]一种基于机器学习的电力用户用电异常检测方法

权利要求书

1.一种基于机器学习的电力用户用电异常检测方法，其特征在于，具体包括如下步骤：

S1:对电力负荷数据进行清洗，包括数据异常值的处理与数据缺失值的补全，将清洗过的数据集记为X₁；

S2:提取电力负荷数据的统计性特征指标、趋势特征指标和频域特征指标；

S3:筛选出分辨率高的特征，将具有该特征的数据组成样本数据集X₂；

S4:基于孤立森林算法进行数据筛选，从样本数据集X₂中随机抽取n个样本数据放进孤立树的根节点，样本数据的特征维度上产生一个分割点p，将该特征维度里小于p的样本数据放在当前节点的左侧子节点中，将大于等于p的数据放在当前节点的右侧子节点中，在每个子节点中重复分割过程，不断构造新的子节点，直到每个子节点中只有一个数据点，筛选出异常度得分低的数据的前50％作为正常样本，与异常样本组合成数据集X₃；

S5：通过基于聚类的分层最近邻欠采样算法，对数据集X₃选取最优的聚类簇数，按比例和距离进行采样，获得类间平衡数据集X₄；

S6：基于类间平衡数据集X₄构建基于半监督学习的协同森林异常检测模型。

2.根据权利要求1所述的基于机器学习的电力用户用电异常检测方法，其特征在于，所述步骤S1中对电力负荷数据进行清洗的具体步骤如下：

S1-1：当时间序列中出现20％以上电力负荷数据为负值，则将该时间序列删除，不作为样本；当时间序列中电力负荷数据少于20％为负值，看作缺失值；

S1-2：将时间序列中缺失量达到50％的电力负荷数据进行删除，对于缺失量低于50％的电力负荷数据，用当日的前一日电表示数和前一日的当日电表示数互相填补，从而将缺失值准确填充，填充的方式如式(1)所示：

其中，d_f是缺失时间段用电量的均值，date_a和date_b分别表示缺失段后端电表示数和前端表示数，num_day表示缺失段天数；

S1-3：将经过步骤S1-1和S1-2清洗过的数据集记为X₁。