基于數(shù)據(jù)挖掘判別用電類別異常的分析與研究

金昌鉉，朱宇龍，馬博，劉森，黎晚晴，陳玲娜

基于數(shù)據(jù)挖掘判別用電類別異常的分析與研究

金昌鉉1，朱宇龍1，馬博1，劉森1，黎晚晴2，陳玲娜2

（1.中國(guó)南方電網(wǎng)有限責(zé)任公司，廣東 廣州 510000；2.南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司，廣東 廣州 510000）

隨著電網(wǎng)企業(yè)全面實(shí)現(xiàn)智能電表全覆蓋和低壓集抄全覆蓋，產(chǎn)生了海量實(shí)時(shí)的計(jì)量數(shù)據(jù)，這些數(shù)據(jù)通過分析挖掘技術(shù)，可在輔助電網(wǎng)規(guī)劃、電網(wǎng)運(yùn)行狀態(tài)監(jiān)控、負(fù)荷預(yù)測(cè)等方面發(fā)揮價(jià)值。然而，利用傳統(tǒng)的統(tǒng)計(jì)分析挖掘技術(shù)，較難處理如此海量的計(jì)量數(shù)據(jù)，也無法識(shí)別異常數(shù)據(jù)蘊(yùn)藏的企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)問題，因此，有必要引入大數(shù)據(jù)分析挖掘技術(shù)，運(yùn)用分類預(yù)測(cè)算法進(jìn)行異常分析，有效識(shí)別電網(wǎng)高價(jià)值用戶的用電類別異常。對(duì)電網(wǎng)企業(yè)用戶如高耗能行業(yè)用戶、一般工商業(yè)用戶、大工業(yè)用戶以及居民用戶的用電數(shù)據(jù)進(jìn)行深入研究，從宏觀和微觀角度分別對(duì)用電行為數(shù)據(jù)進(jìn)行特征提取和行為分析，刻畫出不同用電類別用戶的負(fù)荷曲線，歸納用電行為特征，運(yùn)用有效監(jiān)督的數(shù)據(jù)挖掘算法構(gòu)建用電類別異常識(shí)別模型，并和用戶檔案中的用電類別數(shù)據(jù)進(jìn)行核對(duì)，找出異常數(shù)據(jù)，輔助識(shí)別電能計(jì)算裝置使用異常、用戶檔案信息錯(cuò)亂和電費(fèi)收取錯(cuò)誤等異常。

用電行為；數(shù)據(jù)挖掘；日負(fù)荷曲線；決策樹算法

1 引言

隨著智能電網(wǎng)的普及，電力自動(dòng)化數(shù)據(jù)日漸增多，如何從這些海量的數(shù)據(jù)中挖掘出其隱藏的價(jià)值便顯得尤為重要。整個(gè)社會(huì)的用電量是無法估量的，用電的時(shí)間段、用電高峰的電力負(fù)荷、用電的需求這些都處于時(shí)時(shí)變化的狀態(tài)。大數(shù)據(jù)時(shí)代的到來，已推進(jìn)了新興技術(shù)的突破，其中，分布式分析挖掘計(jì)算引擎Spark也帶給了人們挖掘海量數(shù)據(jù)的可能性，而數(shù)據(jù)的背后通常也隱藏了事物發(fā)展的潛在規(guī)律，用電數(shù)據(jù)也不例外。運(yùn)用分類預(yù)測(cè)算法，從海量數(shù)據(jù)中挖掘出不同類別用戶的用電行為規(guī)律，是本文研究的核心內(nèi)容。

通過閱讀大量的文獻(xiàn)發(fā)現(xiàn)，當(dāng)前對(duì)用電用戶的研究大多集中在運(yùn)用用戶基本信息和客戶服務(wù)數(shù)據(jù)構(gòu)建標(biāo)簽的用戶畫像相關(guān)的技術(shù)，但因數(shù)據(jù)質(zhì)量問題，用戶標(biāo)簽和其用電行為標(biāo)簽未能完全匹配。

本研究運(yùn)用大數(shù)據(jù)挖掘技術(shù)對(duì)電力客戶進(jìn)行用電特征的分類分析，將得到的用戶分類與原始分類指標(biāo)作對(duì)比，找出用電類別異常的用戶，輔助電網(wǎng)企業(yè)追回?fù)p失，也加深對(duì)客戶的了解，便于針對(duì)不同的用戶群制訂服務(wù)策略，實(shí)現(xiàn)精準(zhǔn)客戶服務(wù)。

2 大數(shù)據(jù)挖掘算法

大數(shù)據(jù)挖掘是當(dāng)今社會(huì)研究的熱點(diǎn)問題，所謂數(shù)據(jù)挖掘，是指從大量數(shù)據(jù)中揭示出隱含的、先前未知的并有潛在價(jià)值的信息的非平凡過程。通常分為有監(jiān)督學(xué)習(xí)算法和無監(jiān)督學(xué)習(xí)算法。其中，無監(jiān)督學(xué)習(xí)算法是對(duì)沒有分類標(biāo)記的訓(xùn)練樣本識(shí)別其結(jié)構(gòu)性知識(shí)，比如聚類分析。而有監(jiān)督學(xué)習(xí)算法，是事先對(duì)具有標(biāo)記（分類）信息的訓(xùn)練樣本進(jìn)行學(xué)習(xí)，再對(duì)樣本外的數(shù)據(jù)進(jìn)行分類預(yù)測(cè)，也稱分類算法。常見的分類算法有決策樹、神經(jīng)網(wǎng)絡(luò)、支撐向量機(jī)和貝葉斯等，不同的分類算法，由于原理的不同，存在各自的優(yōu)缺點(diǎn)和適合的應(yīng)用場(chǎng)景，各個(gè)算法的優(yōu)缺點(diǎn)如表1所示。

表1 各個(gè)算法的優(yōu)缺點(diǎn)

算法優(yōu)點(diǎn)缺點(diǎn) 決策樹①不需要任何領(lǐng)域知識(shí)；②不需要參數(shù)假設(shè)；③適合維度較多的數(shù)據(jù)；④簡(jiǎn)單、易用、容易理解；⑤執(zhí)行效率高；⑥可同時(shí)處理數(shù)值型和字符型字段①當(dāng)訓(xùn)練樣本失衡時(shí)，信息增益偏向于那些具有更多數(shù)值的特征；②容易出現(xiàn)過擬合現(xiàn)象；③常忽略字段間的相關(guān)性；④不支持在線學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò)①分類準(zhǔn)確率高；②并行處理能力強(qiáng)；③分布式存儲(chǔ)和學(xué)習(xí)能力強(qiáng)；④魯棒性較強(qiáng)，不易受噪聲影響①需要大量參數(shù)；②結(jié)果難以解釋；③訓(xùn)練時(shí)間過長(zhǎng) 支持向量機(jī)①可以解決小樣本下機(jī)器學(xué)習(xí)的問題；②提高泛化性能；③可以解決高維、非線性問題；④可以超高維文本分類問題；⑤避免神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇和局部極小的問題①對(duì)缺失數(shù)據(jù)敏感；②內(nèi)存消耗大，難以解釋；③運(yùn)行和調(diào)參較為麻煩 貝葉斯①所需估計(jì)的參數(shù)少，對(duì)于缺失數(shù)據(jù)不敏；②有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)以及穩(wěn)定的分類效率①需要假設(shè)字段間相互獨(dú)立；②需要知道先驗(yàn)概率；③分類決策存在錯(cuò)誤率

3 用電數(shù)據(jù)集與數(shù)據(jù)清洗

3.1 數(shù)據(jù)集

基于企業(yè)大數(shù)據(jù)中心，讀取企業(yè)營(yíng)銷自動(dòng)化積累的電量數(shù)據(jù)，選擇參與模型訓(xùn)練的數(shù)據(jù)，主要包括計(jì)量點(diǎn)表、運(yùn)行電能表、運(yùn)行電能表日凍結(jié)電能量表、運(yùn)行電能表日負(fù)荷極值表和用戶信息表等。其中運(yùn)行電能表日凍結(jié)電能量表記錄

的是電能表總正向有功以及峰、平、谷各時(shí)間段的正向有功，用來說明用戶固定時(shí)間段的用電量；運(yùn)行電能表日負(fù)荷極值表用于記錄電能表功率、電壓和電流等信息。

經(jīng)篩選抽取后的數(shù)據(jù)基礎(chǔ)表結(jié)構(gòu)如表2所示。

表2 數(shù)據(jù)基礎(chǔ)表結(jié)構(gòu)

數(shù)據(jù)表構(gòu)建指標(biāo)數(shù)據(jù)類型指標(biāo)說明 用電量計(jì)量點(diǎn)編號(hào)VARCHAR2（20）計(jì)量點(diǎn)的唯一編號(hào) 用戶編號(hào)VARCHAR2（20）用電客戶的唯一編號(hào) 用電時(shí)間Date包含日期和時(shí)分秒 最大功率Number（8，3）一天內(nèi)最大的有功功率，即一天內(nèi)最大負(fù)荷 平均功率Number（8，3）一天內(nèi)有功功率平均值 用電客戶用戶編號(hào)VARCHAR2（20）用電客戶的唯一編號(hào) 負(fù)荷性質(zhì)代碼VARCHAR2（8）負(fù)荷的重要程度分類 用電類別代碼VARCHAR2（8）定義客戶用電基本屬性分類及代碼，又稱用電類別 電壓等級(jí)代碼VARCHAR2（8）用電客戶受電點(diǎn)的電壓等級(jí) 行業(yè)分類代碼VARCHAR2（8）用電客戶的行業(yè)分類代碼 用戶類別代碼VARCHAR2（8)用戶一種常用的分類方式，方便用戶的管理 高耗能行業(yè)類別代碼VARCHAR2（8）依據(jù)國(guó)家最新的高耗能行業(yè)劃分 用電性質(zhì)VARCHAR2（8）用電性質(zhì) 用戶狀態(tài)代碼VARCHAR2（8）用電客戶的狀態(tài)說明 客戶分群標(biāo)志VARCHAR2（8)客戶重要性分類類型（客戶分群代碼） 運(yùn)行容量Number（15，4）用電客戶正在使用的合同容量 行政區(qū)域代碼VARCHAR2（8）用電客戶所在地址的行政區(qū)劃代碼 城鄉(xiāng)代碼VARCHAR2（8）用電客戶所在地址的城鄉(xiāng)代碼 計(jì)量點(diǎn)計(jì)量點(diǎn)編號(hào)VARCHAR2（20）計(jì)量點(diǎn)的唯一編號(hào) 用戶編號(hào)VARCHAR2（20）用電客戶的唯一編號(hào) 計(jì)量方式代碼VARCHAR2（8）主計(jì)量方式 計(jì)量點(diǎn)電壓等級(jí)代碼VARCHAR2（8）標(biāo)明計(jì)量點(diǎn)的計(jì)量電壓等級(jí) 計(jì)量裝置分類代碼VARCHAR2（8）計(jì)量裝置分類主要根據(jù)用電量進(jìn)行區(qū)分 計(jì)量點(diǎn)狀態(tài)代碼VARCHAR2（8）標(biāo)明計(jì)量點(diǎn)的當(dāng)前狀態(tài) 計(jì)量點(diǎn)類別代碼VARCHAR2（8）計(jì)量點(diǎn)類別代碼 計(jì)量點(diǎn)用途代碼VARCHAR2（8）定義計(jì)量點(diǎn)的主要用途 計(jì)量點(diǎn)位置代碼VARCHAR2（8）標(biāo)明計(jì)量點(diǎn)所屬的具體位置 接線方式代碼VARCHAR2（8）計(jì)量點(diǎn)接線方式 用電容量Number（15，4）計(jì)量點(diǎn)用電容量 計(jì)量點(diǎn)類型代碼VARCHAR2（8）計(jì)量點(diǎn)類型代碼 運(yùn)行電能表標(biāo)識(shí)VARCHAR2（16）運(yùn)行電能表的唯一標(biāo)識(shí)

3.2 數(shù)據(jù)清洗

數(shù)據(jù)清洗是發(fā)現(xiàn)并糾正錯(cuò)誤數(shù)據(jù)的第一道程序，包括檢查數(shù)據(jù)一致性、處理無效數(shù)據(jù)和缺失值等，數(shù)據(jù)清洗的目的是為了得到高質(zhì)量的建模輸入數(shù)據(jù)，而分類算法通常要求輸入數(shù)據(jù)進(jìn)行歸一化等方法處理，以便提高數(shù)據(jù)挖掘算法的執(zhí)行效率。同時(shí)，由于數(shù)據(jù)挖掘算法往往只能對(duì)單一的數(shù)據(jù)表進(jìn)行分析，因此就需要將相關(guān)數(shù)據(jù)整合成一個(gè)“寬表”，這個(gè)表每行都是代表一個(gè)用電戶，每列代表與用電戶用電性質(zhì)潛在相關(guān)的影響因素，最后一列“用電性質(zhì)”為分類算法的目標(biāo)列。相關(guān)數(shù)據(jù)整合成的“寬表”如表3所示。

4 用電類別異常識(shí)別

4.1 模型變量選擇

4.1.1 特征選擇

為了縮小選擇范圍，提高模型的性能，需要對(duì)數(shù)據(jù)清洗后得到的“寬表”進(jìn)行特征選擇，即字段篩選，通常采用以下幾種方式：根據(jù)數(shù)據(jù)的特征質(zhì)量，過濾掉數(shù)據(jù)質(zhì)量很差的字段；計(jì)算剩余的輸入字段對(duì)目標(biāo)“用電性質(zhì)”的重要性，選取一些對(duì)用目標(biāo)字段影響較大的字段，減少數(shù)據(jù)挖掘算法的計(jì)算量，提高執(zhí)行效率。

4.1.2 樣本數(shù)據(jù)選取

通常一個(gè)電網(wǎng)公司的用電戶數(shù)據(jù)量達(dá)千萬級(jí)別，如果在模型訓(xùn)練階段就將所有的用電戶數(shù)據(jù)參與建模，則會(huì)出現(xiàn)算法執(zhí)行時(shí)間過長(zhǎng)，甚至細(xì)微的參數(shù)調(diào)整都會(huì)帶來重復(fù)執(zhí)行的需求；另一方面，大工業(yè)用戶、一般工商業(yè)用戶、居民用戶的本身體量也不屬于一個(gè)數(shù)量等級(jí)，容易導(dǎo)致樣本失衡的問題。因此使用抽樣技術(shù)，分別選取不同類別的典型用戶數(shù)據(jù)參與模型訓(xùn)練，可以有效提高算法執(zhí)行效率。本文選取10個(gè)典型行業(yè)的計(jì)量點(diǎn)在當(dāng)前年的所有特征指標(biāo)及其組合指標(biāo)，分析用戶的用電行為，既能保證樣本的抽樣覆蓋，也能避免遺漏用戶的季節(jié)性用電特征。

表3 相關(guān)數(shù)據(jù)整合成的“寬表”

構(gòu)建指標(biāo)數(shù)據(jù)類型指標(biāo)說明 用戶編號(hào)VARCHAR2（20）用電客戶的唯一編號(hào) 用電日期Date數(shù)據(jù)時(shí)間 年份VARCHAR2（8）數(shù)據(jù)年份 月份VARCHAR2（8）數(shù)據(jù)月份 星期VARCHAR2（20）判斷數(shù)據(jù)日期是星期幾 是否節(jié)假日VARCHAR2（20）判斷當(dāng)天是不是節(jié)假日 正向有功總Number（15，4）全天總用電量 正向9_12Number（15，4）一天時(shí)間段（09：00—12：00）用電量 正向14_17Number（15，4）一天時(shí)間段（14：00—17：00）用電量 正向19_22Number（15，4）一天時(shí)間段（19：00—22：00）用電量 正向2_5Number（15，4）一天時(shí)間段（02：00—05：00）用電量 最大功率Number（8，3）一天內(nèi)最大的有功功率，即一天內(nèi)最大負(fù)荷 平均功率Number（8，3）一天內(nèi)有功功率平均值 負(fù)荷性質(zhì)代碼VARCHAR2（8）負(fù)荷的重要程度分類 用電類別代碼VARCHAR2（8）定義客戶用電基本屬性分類及代碼，又稱用電類別 電壓等級(jí)代碼VARCHAR2（8）用電客戶受電點(diǎn)的電壓等級(jí) 行業(yè)分類代碼VARCHAR2（8）用電客戶的行業(yè)分類代碼 用戶類別代碼VARCHAR2（8）用戶一種常用的分類方式，方便用戶的管理 高耗能行業(yè)類別代碼VARCHAR2（8）依據(jù)國(guó)家最新的高耗能行業(yè)劃分 用戶狀態(tài)代碼VARCHAR2（8）用電客戶的狀態(tài)說明 客戶分群標(biāo)志VARCHAR2（8）客戶重要性分類類型（客戶分群代碼） 運(yùn)行容量Number（15，4）用電客戶正在使用的合同容量 行政區(qū)域代碼VARCHAR2（8）用電客戶所在地址的行政區(qū)劃代碼 城鄉(xiāng)代碼VARCHAR2（8）用電客戶所在地址的城鄉(xiāng)代碼 計(jì)量方式代碼VARCHAR2（8）主計(jì)量方式 計(jì)量點(diǎn)電壓等級(jí)代碼VARCHAR2（8）標(biāo)明計(jì)量點(diǎn)的計(jì)量電壓等級(jí) 計(jì)量裝置分類代碼VARCHAR2（8）計(jì)量裝置分類主要根據(jù)用電量進(jìn)行區(qū)分 計(jì)量點(diǎn)狀態(tài)代碼VARCHAR2（8）標(biāo)明計(jì)量點(diǎn)的當(dāng)前狀態(tài) 計(jì)量點(diǎn)類別代碼VARCHAR2（8）計(jì)量點(diǎn)類別代碼 計(jì)量點(diǎn)用途代碼VARCHAR2（8）定義計(jì)量點(diǎn)的主要用途 計(jì)量點(diǎn)位置代碼VARCHAR2（8）標(biāo)明計(jì)量點(diǎn)所屬的具體位置 接線方式代碼VARCHAR2（8）計(jì)量點(diǎn)接線方式 用電容量Number（15，4）計(jì)量點(diǎn)用電容量 計(jì)量點(diǎn)類型代碼VARCHAR2（8）計(jì)量點(diǎn)類型代碼 用電性質(zhì)VARCHAR2（8）用電性質(zhì)

4.1.3 最終模型分析指標(biāo)

將負(fù)荷波動(dòng)特性指標(biāo)、時(shí)間指標(biāo)、分類指標(biāo)排列組合得出最終用于模型分析的各項(xiàng)指標(biāo)，具體指標(biāo)如表4所示。

4.2 模型構(gòu)建

采用70%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，分別采用決策樹、神經(jīng)網(wǎng)絡(luò)、支撐向量機(jī)、樸素貝葉斯等算法建立了模型，并用剩余30%數(shù)據(jù)進(jìn)行了測(cè)試。

各算法建模參數(shù)和測(cè)試結(jié)果如圖1所示。神經(jīng)網(wǎng)絡(luò)建模參數(shù)如圖2所示。支撐向量機(jī)建模參數(shù)如圖3所示。樸素貝葉斯建模參數(shù)如圖4所示。

4.3 模型結(jié)果

主要選取了總體正確分類率、Kappa統(tǒng)計(jì)量這兩個(gè)評(píng)估指標(biāo)作為模型評(píng)估參數(shù)，各算法建立的模型測(cè)試結(jié)果如表5所示。從結(jié)果看，神經(jīng)網(wǎng)絡(luò)算法得到的模型準(zhǔn)確率最高，其次是決策樹算法。

考慮到業(yè)務(wù)實(shí)際情況，除了需要知道哪些企業(yè)用電性質(zhì)申報(bào)存在欺詐，還需要了解對(duì)方具有什么用電特征，因此相比神經(jīng)網(wǎng)絡(luò)為黑盒模型，決策樹模型可以得到顯性的業(yè)務(wù)規(guī)則，因此最終選擇決策樹模型作為最終的模型。通過決策樹算法對(duì)用電數(shù)據(jù)進(jìn)行分析建模，最終得到如圖5所示的用電性質(zhì)識(shí)別模型，決策樹的根節(jié)點(diǎn)到每個(gè)葉子結(jié)點(diǎn)形成的路徑就對(duì)應(yīng)一條用電性質(zhì)決策規(guī)則。

例如，圖5深色的路徑就表示“19：00—22：00用電占比小于18%，且09：00—12：00用電占比小于12.25%，且最大功率大于582 W，則100%是工商業(yè)用電”。

5 業(yè)務(wù)應(yīng)用分析

基于此模型，對(duì)轄區(qū)內(nèi)目前登記為“居民生活”用電性質(zhì)的所有企業(yè)進(jìn)行了分析，如表6所示。

表4 模型分析的各項(xiàng)指標(biāo)

數(shù)據(jù)表構(gòu)建指標(biāo)數(shù)據(jù)類型 用電類別分析表計(jì)量點(diǎn)編號(hào)VARCHAR2（20） 一月工作日正向有功總Number（15，4） 一月周末正向有功總Number（15，4） 一月工作日峰總比Number（4，3） 一月周末峰總比Number（4，3） 一月工作日平總比Number（4，3） 一月周末平總比Number（4，3） 一月工作日谷總比Number（4，3） 一月周末谷總比Number（4，3） 一月工作日最大功率Number（8，3） 一月周末最大功率Number（8，3） 一月工作日負(fù)荷率Number（4，3） 一月周末負(fù)荷率Number（4，3） …… 十二月工作日正向有功總Number（15，4） 十二月周末正向有功總Number（15，4） 十二月工作日峰總比Number（4，3） 十二月周末峰總比Number（4，3） 十二月工作日平總比Number（4，3） 十二月周末平總比Number（4，3） 十二月工作日谷總比Number（4，3） 十二月周末谷總比Number（4，3） 十二月工作日最大功率Number（8，3） 十二月周末最大功率Number（8，3） 十二月工作日負(fù)荷率Number（4，3） 十二月周末負(fù)荷率Number（4，3） 負(fù)荷性質(zhì)VARCHAR2（8） 電壓等級(jí)VARCHAR2（8） 行業(yè)分類VARCHAR2（8） 用戶類別VARCHAR2（8） 高耗能行業(yè)類別VARCHAR2（8） 電源類型VARCHAR2（8） 行政區(qū)域VARCHAR2（8） 城鄉(xiāng)代碼VARCHAR2（8） 計(jì)量方式VARCHAR2（8） 計(jì)量點(diǎn)電壓等級(jí)VARCHAR2（8） 接線方式VARCHAR2（8） 用電容量Number（15，4） 計(jì)量點(diǎn)類型VARCHAR2（8） 用電類別VARCHAR2（8）

圖1 決策樹建模參數(shù)

圖2 神經(jīng)網(wǎng)絡(luò)建模參數(shù)

圖3 支撐向量機(jī)建模參數(shù)

圖4 樸素貝葉斯建模參數(shù)

表5 模型結(jié)果

模型評(píng)估指標(biāo)算法 決策樹神經(jīng)網(wǎng)絡(luò)支撐向量機(jī)樸素貝葉斯 窗體頂端正確分類率/（%）窗體底端98.8198.83窗體頂端94.05窗體底端窗體頂端93.45窗體底端 Kappa統(tǒng)計(jì)量0.968 8窗體底端0.9690.837 7窗體底端0.838 9

圖5 用電性質(zhì)識(shí)別決策數(shù)模型

發(fā)現(xiàn)存在部分企業(yè)被識(shí)別為“工商業(yè)”用電性質(zhì)，并且這些企業(yè)具有顯著的工商業(yè)企業(yè)用電特征，因此被納入審計(jì)調(diào)查的范圍，并追回了大量經(jīng)濟(jì)損失，在審計(jì)工作中發(fā)揮了重要的作用。

此模型為電力行業(yè)基于數(shù)據(jù)挖掘技術(shù)進(jìn)行精細(xì)化管理提供了有效的示范，后期將進(jìn)一步利用數(shù)據(jù)挖掘技術(shù)推動(dòng)電網(wǎng)運(yùn)營(yíng)管理的精細(xì)化和智能化發(fā)展。

表6 “居民生活”用電性質(zhì)分析表

用戶編號(hào)年份月份星期是否節(jié)假日平均功率最大功率用電占比9_12用電占比14_17用電占比19_22用電占比2_5當(dāng)前用電性質(zhì)預(yù)測(cè)用電性質(zhì) 87316201901星期一否2113550.2460.2220.1340.010居民生活工商業(yè) 52141201806星期二否2404090.2470.2450.1390.014居民生活工商業(yè) 6632201903星期三否1832550.2270.2340.1370.019居民生活工商業(yè)

［1］高琳琳.基于數(shù)據(jù)挖掘的短期負(fù)荷預(yù)測(cè)［D］.南昌：南昌大學(xué)，2014.

［2］陸園園，王成然.基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)［J］.中國(guó)高新技術(shù)企業(yè)，2014（1）：69-70.

［3］董莉麗.基于大數(shù)據(jù)挖掘的客戶用電行為分析［J］.黑龍江科技信息，2016（4）：45.

［4］高旭旭.基于深度學(xué)習(xí)的分類預(yù)測(cè)算法研究及實(shí)現(xiàn)［D］.北京：北京郵電大學(xué)，2019.

2095－6835（2020）10－0014－04

TM715

A

10.15913/j.cnki.kjycx.2020.10.005

〔編輯：張思楠〕