[发明专利]一种基于聚类分析技术的下水道用电异常识别方法

权利要求书

1.一种基于聚类分析技术的下水道用电异常识别方法，包括其具体方法步骤如下所述：

1)对异常用电用户进行特征分析，确认异常用电用户的典型特征，如下：

1a)在一个系统中，正常用电用户占据绝大多数，异常用电用户只有较少的一部分；

1b)异常用电用户在空间分布上稀疏；

1c)异常用电用户之间不相邻，且异常用电用户与正常用电用户之间间隔一段距离，分布上表现为相对离群；

2)构建下水道用电指标体系，如下：

下水道用电指标体系包括6项用电指标：合同容量比、峰期负载率、平期负载率、谷期负载率、冬季用电占比和夏季用电占比，其具体为：

2a)合同容量比：

合同容量指的是装接用电设备允许的容量，合同容量比指用户所拥有的合同容量与其实际用电量之间的比例；

2b)峰期负载率：

峰期负载率表示峰电量平均与电量平均的比值，反应峰期电量变化；

2c)平期负载率：

平期负载率表示平电量平均与电量平均的比值，反应平期电量变化；

2d)谷期负载率：

谷期负载率表示谷电量平均与电量平均的比值，反应谷期电量变化；

2e)冬季用电占比：

冬季用电占比＝冬季总用电量/全年总用电量；

2f)夏季用电占比：

夏季用电占比＝夏季总用电量/全年总用电量；

3)构建用户用电数据的密度计算模型：

本步骤基于上述步骤2)的下水道用电指标体系，构建密度计算模型，分离空间分布较为稀疏的用户数据，作为异常用电的备选点，然后通过将空间分布较为密集的用户数据进行聚类分析，找到正常用电用户的典型特征点，最后将正常用电的用户特征点与异常的备选点进行相似度分析，当相似度小于阈值时，异常备选点视为真正异常点，其具体步骤如下：

3a)构建密度计算模型：

本步骤利用用户的数据密度来衡量用户数据空间分布的稀疏情况，当密度较小时，认为用户数据空间分布稀疏，样本点密度计算公式如下：

样本点密度：

数据集的平均密度：

其中，n为数据集中样本点的个数；dis(x_i,y_i)为数据集中两个样本点之间的距离；

3b)样本间的相似度确定方法：

本步骤中，将不同用户数据样本之间的相似度进行确定：

相似度：

簇的平均相似度：

其中，n为数据的维度数目；x_i和x_j分别代表不同的用户样本数据；

3c)异常用电嫌疑用户的阈值判定方法：

当某个用户的数据密度小于所有用户的平均数据密度时，将该用户视为密度较小的异常备选用户；

4)异常用电用户的识别流程，如下：

将步骤2)的下水道用电指标配合步骤3)的用户用电数据的密度计算模型，获得下水道异常用电用户清单，具体为：

4a)依据步骤3a)的构建密度计算模型的样本点密度计算公式，计算每个用户样本点的密度pi，并求出所有户样本的平均密度av_p；

4b)步骤4a)中，由于异常样本空间分布的系稀疏性的特征，因此将用户密度pi小于平均密度av_p的用户提取出来，作为下水道异常用电的备选用户；

4c)步骤4a)中，高于平均密度的用户空间分布较为密集，属于正常用电用户，将这些用户数据进行层次聚类分析，提取聚类中心点；

4d)根据步骤3b)的样本间的相似度确定方法，测算下水道异常用电的备选用户数据与某个簇的聚类中心点的相似度SSIM，若SSIMav_ssim，则该异常用电的备选用户为真正的异常用户；

4e)最终输出异常用电用户清单输出。

2.如权利要求1所述的一种基于聚类分析技术的下水道用电异常识别方法，其特征在于，所述的步骤2e)中冬季用电占比的冬季时间判定为每年的12月至次年2月。

3.如权利要求1所述的一种基于聚类分析技术的下水道用电异常识别方法，其特征在于，所述的步骤2f)的夏季用电占比的夏季时间判定为每年的7月至9月。