[发明专利]一种基于DBSCAN聚类的负荷异常检测方法及系统

说明书

一种基于DBSCAN聚类的负荷异常检测方法及系统，方法包括：步骤1，采集负荷异常数据；步骤2，对负荷异常数据进行预处理后得到可靠数据集；将可靠数据集划分为训练集和测试集；步骤3，搭建DBSCAN聚类模型，以训练集为输入，以异常类型聚类簇为输出，对聚类模型进行训练；步骤4，使用训练好的聚类模型对测试集进行聚类，以轮廓系数作为聚类结果评价指标，以获得负荷异常的多个辨识类型簇。本发明在经过数据预处理后，充分利用DBSCAN聚类算法的聚类优势，聚类结果的精确度得到进一步提升，聚类过程中，无需预设聚类簇数，通过寻找数据内在规律、及时发现数据异常点，从而实现对负荷异常数据的聚类，根据聚类结果准确辨识负荷异常类型。

技术领域

本发明属于电力系统负荷的检测技术领域，具体涉及一种基于DBSCAN聚类的负荷异常检测方法及系统。

背景技术

配电网在整个电力系统中发挥着至关重要的作用，配电网中精准可靠的负荷数据有助于负荷预测、调度生产等工作需求。因此，如何准确地辨识配电网中的异常负荷数据成为最需要解决的问题之一。

电力负荷量测数据在采集、传递、交换等过程中，常因设备、网络或者天气等原因导致有些数据出现错误，从而影响电力负荷的预测、调度等工作，数据质量会直接影响数据关联以及整合结果。因此，对负荷异常数据进行检测就显得尤为重要。

机器学习的发展使得对负荷异常辨识的方法变得更多且准确，借助机器学习中的无监督学习可以为负荷异常数据进行分簇，再人为地定义每个簇的异常类型，即可做到负荷异常辨识。现有技术1(CN109492048A)“一种电力用户用电特性的提取方法、系统及终端设备”，对样本数据进行处理获得目标用电数据集；通过DBSCAN聚类算法(Density-BasedSpatial Clustering of Applications with Noise，具有噪声的基于密度的聚类算法)和聚类有效性指标，计算目标用电数据集的负荷模式聚类数；通过DBSCAN聚类算法，将目标用电数据集按照负荷模式聚类数聚类，得到电力用户用电特性曲线。现有技术1通过将DBSCAN聚类算法和聚类有效性指标相结合，先确定负荷模式聚类数，再提取电力用户用电特性。现有技术2(CN109583763A)“分行业用户电力负荷增长特征挖掘算法”，包括：汇集电力用户基础信息，搭建营配大数据汇集仓库；计算电力用户增长特性参数，应用Logsitic模型拟合用户负荷数据，识别用户的负荷成长模式，将多维度的历史负荷数据转换为三个维度；采用参数自适应的DBSCAN聚类分析算法，对用户增长特性参数进行聚类，分不同行业、不同用电规模搜索典型组团；统计所有行业类别的负荷增长参数典型值，根据典型参数值形成行业典型负荷成长曲线，并应用参数标准差值来判断规律强弱程度。现有技术2能够用于分析海量电力用户负荷数据，识别电力用户的负荷成长模式，提炼各级行业的用户电力负荷增长特征。现有技术3(CN113326296A)“一种适用于工商业用户的负荷分解的方法及系统”，按照固定时间周期提取波形数据的特征，形成特征时序序列；基于DBSCAN聚类，对预处理后的特征时序序列进行聚类操作，获得聚类结果，根据聚类结果提取预处理后的特征时序序列的序列点，重新组建特征差值时序序列，确定优化特征差值时序序列；对优化特征差值时序序列进行差值匹配，确定差值匹配结果；对归属于同一种设备的启停状态事件进行映射，优化特征维度，辨识设备的电气类型，确定负荷辨识结果，建立工商业用户的专属模型特征库；对于待分析的一段时间的总线侧波形数据，根据负荷辨识结果，得到一段时间的各类设备负荷功耗占比，实现工商业用户总线负荷的分解。

现有技术1至3均使用DBSCAN聚类算法对具有凸样本特性的负荷集合进行聚类，然而负荷异常集合具有非凸样本特性，以现有技术1至3为代表的相关研究均未涉及使用DBSCAN聚类算法对负荷异常数据的聚类分析。此外，现有技术1的缺点在于尽管采用DBSCAN对负荷模式进行聚类，但是未对数据进行预处理，而DBSCAN的聚类精度容易受到噪声数据的影响。