基于k-medoids聚類算法的低壓臺(tái)區(qū)線損異常識(shí)別方法

薛明志，陳商玥，高 強(qiáng)

（天津理工大學(xué)電氣電子工程學(xué)院，天津300384）

目前，國(guó)內(nèi)外對(duì)低壓臺(tái)區(qū)線損的理論研究非常豐富.文獻(xiàn)[1]采用了基于潮流計(jì)算的前推回代法，并對(duì)算法進(jìn)行了改進(jìn)同時(shí)引入三相不平衡、支路電壓降對(duì)理論線損的影響，使得計(jì)算結(jié)果更為準(zhǔn)確.隨著理論算法研究的不斷深入，逐漸將人工智能和神經(jīng)網(wǎng)絡(luò)引入到理論線損的計(jì)算中去，同樣計(jì)算結(jié)果也更加貼合實(shí)際[2].文獻(xiàn)[3]中通過(guò)建立主干線損耗、分支線損耗、接戶線損耗、表計(jì)損耗這四個(gè)部分的數(shù)學(xué)模型進(jìn)行技術(shù)線損的計(jì)算，此種算法需要的基礎(chǔ)數(shù)據(jù)較多、計(jì)算量大.文獻(xiàn)[4]描述了一種基于改進(jìn)kmeans聚類和BP神經(jīng)網(wǎng)絡(luò)的臺(tái)區(qū)線損率計(jì)算方法，以供電半徑、低壓線路總長(zhǎng)度、負(fù)載率、居民用電比例為自變量，通過(guò)改進(jìn)的k-means聚類算法將樣本進(jìn)行分類，再通過(guò)LM算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法計(jì)算臺(tái)區(qū)線損率.文獻(xiàn)[5]將徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)應(yīng)用到配電網(wǎng)線損的計(jì)算和分析中，并采用動(dòng)態(tài)聚類算法確定RBF網(wǎng)格最優(yōu)數(shù)，計(jì)算臺(tái)區(qū)線損率.文獻(xiàn)[6]建立了基于k-means聚類算法的數(shù)據(jù)預(yù)估模型，并將通過(guò)預(yù)測(cè)的線損率與實(shí)際線損率對(duì)比分析，找出線損率差異較大的臺(tái)區(qū).文獻(xiàn)[7]提出了一種基于斷面聚類的階段理論線損計(jì)算方法，通過(guò)對(duì)斷面網(wǎng)損的構(gòu)成分析和斷面數(shù)據(jù)分析，得出某時(shí)刻理論線損值和階段理論線損值.文獻(xiàn)[8-9]采用聚類分析算法，以采集系統(tǒng)采集得到的供電量、容量、負(fù)載率、用戶數(shù)等作為輸入量，進(jìn)行聚類分析，通過(guò)對(duì)比對(duì)k-means聚類、兩步聚類以及kohonen聚類這三種聚類算法，最終確定k-means聚類算法作為計(jì)算臺(tái)區(qū)理論線損的算法模型.

可以看出，聚類算法和神經(jīng)網(wǎng)絡(luò)算法常應(yīng)用于低壓臺(tái)區(qū)理論線損計(jì)算.但在國(guó)家電網(wǎng)公司中，有用電信息采集系統(tǒng)、同期線損系統(tǒng)等應(yīng)用軟件用于低壓臺(tái)區(qū)線損管理工作，能夠?qū)崿F(xiàn)單臺(tái)區(qū)線損率的計(jì)算和表計(jì)參數(shù)的采集等功能，單純整體線路理論線損的研究對(duì)實(shí)際工作來(lái)講意義并不大.因此本文建立了基于k-medoids聚類算法的低壓臺(tái)區(qū)線損異常識(shí)別模型，通過(guò)日線損率數(shù)據(jù)實(shí)現(xiàn)臺(tái)區(qū)線損穩(wěn)定性的判斷.

1 聚類算法和LOF算法模型

1.1 k-means聚類算法與k-medoids聚類算法

k-means聚類算法的原理比較簡(jiǎn)單，對(duì)于給定的數(shù)據(jù)樣本，基于數(shù)據(jù)之間的歐式距離對(duì)數(shù)據(jù)劃分成K個(gè)簇，通常旨在找到目標(biāo)的最小平方差.具體表達(dá)式定義如下.

其中：E為數(shù)據(jù)簇最小平方差；xi為各個(gè)數(shù)據(jù)樣本；uj為聚類中心點(diǎn).

聚類中心點(diǎn)為每個(gè)簇內(nèi)所有數(shù)據(jù)的均值，表達(dá)式如下.

k-means聚類算法原理簡(jiǎn)單、容易實(shí)現(xiàn)且收斂速度快，聚類效果也較好，算法易解釋；但k-means聚類算法也有明顯的缺點(diǎn)，當(dāng)數(shù)據(jù)存在異常值時(shí)，會(huì)導(dǎo)致聚類效果差，存在凸數(shù)據(jù)時(shí)難以收斂，且對(duì)噪音比較敏感.

k-medoids聚類算法與k-means聚類算法主要區(qū)別在于聚類中心點(diǎn)的選擇，k-means聚類算法聚類中心點(diǎn)為一組數(shù)據(jù)的均值，而k-medoids聚類算法的聚類中心點(diǎn)為一組數(shù)據(jù)中的某個(gè)值，選取的原則為與其他數(shù)據(jù)距離平方和最小的點(diǎn).具體表達(dá)式如下.

其中：xi、xj為各個(gè)數(shù)據(jù)樣本；M為數(shù)據(jù)方差的最小值.

聚類中心點(diǎn)uj為方差為M時(shí)的xj.

由于k-medoids聚類算法的中心點(diǎn)取自數(shù)據(jù)本身，因此能極大減小孤立點(diǎn)、凸數(shù)據(jù)等對(duì)數(shù)據(jù)運(yùn)算結(jié)果的影響，因此本文采用k-medoids聚類算法.對(duì)于低壓臺(tái)區(qū)來(lái)講，都是針對(duì)單個(gè)臺(tái)區(qū)進(jìn)行分析，因此聚類簇的個(gè)數(shù)為1.

在應(yīng)用k-medoids聚類算法進(jìn)行數(shù)據(jù)處理時(shí)，雖然能減小異常數(shù)據(jù)對(duì)聚類中心點(diǎn)的影響，但異常數(shù)據(jù)對(duì)于歐氏距離的計(jì)算結(jié)果依舊會(huì)產(chǎn)生極大的干擾，因此需要對(duì)數(shù)據(jù)源進(jìn)行篩選和剔除.

1.2 局部異常因子LOF算法

采集系統(tǒng)在采集日線損率數(shù)據(jù)時(shí)，由于集中器故障、表計(jì)某一天采集不上數(shù)但第二天補(bǔ)招上數(shù)、故障表更換、采集掉線等短時(shí)能夠恢復(fù)的故障會(huì)導(dǎo)致日線損率出現(xiàn)孤立點(diǎn)，這些孤立點(diǎn)雖然會(huì)導(dǎo)致部分臺(tái)區(qū)出現(xiàn)短暫的異常，但解決問(wèn)題后不能再當(dāng)做異常臺(tái)區(qū)處理.雖然k-medoids聚類算法能夠避免聚類中心點(diǎn)受孤立點(diǎn)影響，但聚類的歐氏距離還是會(huì)受到孤立點(diǎn)的影響，而對(duì)低壓臺(tái)區(qū)線損是否異常的判斷同時(shí)包含聚類中心點(diǎn)和歐氏距離兩個(gè)影響因素.因此在數(shù)據(jù)聚類之前需對(duì)異常數(shù)據(jù)進(jìn)行篩選和剔除.

由于日線損率數(shù)據(jù)分布不均勻，密度不同，異常值與正常數(shù)據(jù)偏差較大，像常用的四分位數(shù)、高斯分布在數(shù)據(jù)處理時(shí)很難達(dá)到預(yù)想效果，很容易因極大凸數(shù)據(jù)導(dǎo)致無(wú)法做出正確的篩選，因此本文采用局部異常因子（local outlier factor）LOF算法.LOF算法通過(guò)局部可達(dá)密度進(jìn)行定義，如果一個(gè)數(shù)據(jù)與其他數(shù)據(jù)點(diǎn)比較疏遠(yuǎn)，那么這個(gè)點(diǎn)的局部可達(dá)密度就比較小.LOF算法衡量一個(gè)數(shù)據(jù)點(diǎn)的異常程度，并不是看它的絕對(duì)局部密度，而是看它跟周圍鄰近的數(shù)據(jù)點(diǎn)的相對(duì)密度.以數(shù)據(jù)點(diǎn)p為例，點(diǎn)p的局部相對(duì)密度（局部異常因子）為點(diǎn)p的k近鄰平均局部可達(dá)密度與數(shù)據(jù)點(diǎn)p的局部可達(dá)密度的比值

首先根據(jù)局部異常因子的定義，如果數(shù)據(jù)點(diǎn)p的LOF值在1附近，則表明數(shù)據(jù)點(diǎn)p的局部密度跟它的鄰居相近；如果數(shù)據(jù)點(diǎn)的LOF值小于1，則表明數(shù)據(jù)點(diǎn)p處在一個(gè)相對(duì)密集的區(qū)域，不大有可能是一個(gè)異常點(diǎn)；如果數(shù)據(jù)點(diǎn)p的LOF值遠(yuǎn)大于1，則表明數(shù)據(jù)點(diǎn)p跟其它點(diǎn)比較疏遠(yuǎn)，極有可能是一個(gè)異常點(diǎn).

通過(guò)LOF算法可對(duì)日線損率數(shù)據(jù)的孤立點(diǎn)進(jìn)行預(yù)先的篩選和剔除，再通過(guò)聚類算法對(duì)臺(tái)區(qū)異常情況進(jìn)行判斷，這樣的判斷結(jié)果更為準(zhǔn)確、可靠.

2 流程設(shè)計(jì)及數(shù)據(jù)處理分析

2.1 流程設(shè)計(jì)

本算法在傳統(tǒng)聚類算法的基礎(chǔ)上進(jìn)行了改進(jìn)，以k-medoids聚類算法為核心，以LOF算法作為日線損率數(shù)據(jù)優(yōu)化的算法模型.線損率主要分為正常、高損和負(fù)損三種，線損率數(shù)值在0%～10%之間為正常，大于10%為高損，小于0%為負(fù)損.日線損率的統(tǒng)計(jì)數(shù)據(jù)需來(lái)源于智能表覆蓋率為100%的臺(tái)區(qū)，采集系統(tǒng)無(wú)法采集非智能表電量和數(shù)據(jù)，對(duì)存在非智能表的低壓臺(tái)區(qū)進(jìn)行線損異常情況判定無(wú)意義.按照算法思路確定了低壓臺(tái)區(qū)線損異常識(shí)別的流程圖，如圖1所示.

圖1基于聚類算法的低壓臺(tái)區(qū)線損異常識(shí)別流程圖Fig.1 Flow chart of line loss anomaly recognition based on clustering algorithm

導(dǎo)入臺(tái)區(qū)日線損率數(shù)據(jù)，通過(guò)局部異常因子LOF算法對(duì)異常數(shù)據(jù)進(jìn)行篩選和剔除.

將去除異常值后的臺(tái)區(qū)日線損率數(shù)據(jù)通過(guò)kmedoids聚類算法進(jìn)行聚類分析，每個(gè)臺(tái)區(qū)得到兩個(gè)變量，一個(gè)是聚類中心點(diǎn)，用于初步判斷臺(tái)區(qū)是否異常；另一個(gè)是歐氏距離，歐式距離在計(jì)算時(shí)以聚類中心點(diǎn)為基礎(chǔ)，主要反應(yīng)臺(tái)區(qū)日線損率的波動(dòng)情況.由于實(shí)際測(cè)算時(shí)歐氏距離差別過(guò)大不利于臺(tái)區(qū)線損穩(wěn)定性的判斷，因此在計(jì)算時(shí)將歐氏距離的結(jié)果除以臺(tái)區(qū)日線損率數(shù)據(jù)的總個(gè)數(shù)，歐氏距離大于閾值則說(shuō)明臺(tái)區(qū)日線損率波動(dòng)較大，可以判定臺(tái)區(qū)線損存在異常需要進(jìn)行治理，歐式距離在閾值以內(nèi)則說(shuō)明臺(tái)區(qū)日線損率相對(duì)穩(wěn)定，在聚類中心點(diǎn)合格的基礎(chǔ)上可以判定臺(tái)區(qū)線損正常.

2.2 局部異常因子LOF算法有效性分析

為驗(yàn)證上述算法的有效性，以某地區(qū)某低壓臺(tái)區(qū)（用N01臺(tái)區(qū)命名）為例首先對(duì)LOF算法的數(shù)據(jù)處理性能、計(jì)算的準(zhǔn)確度進(jìn)行驗(yàn)證.該臺(tái)區(qū)為期31天的日線損率數(shù)據(jù)見(jiàn)表1.

表1 N01臺(tái)區(qū)為期31天日線損率數(shù)據(jù)Tab.1 31-day daily line loss rate data for N01

首先將日期轉(zhuǎn)化成1-31的順序序列，方便數(shù)據(jù)處理及圖片繪制.N01臺(tái)區(qū)日期與線損率的對(duì)應(yīng)關(guān)系圖如圖2所示.

從表1及圖2可以看出，N01臺(tái)區(qū)前四天的日線損率數(shù)據(jù)波動(dòng)較大，屬于異常數(shù)據(jù)，通?？赡苁怯捎谀硥K大電量用戶某天采集不通，第二天采集調(diào)通后一天采集上了兩天的電量，所以會(huì)導(dǎo)致前一天大高損，后一天又出現(xiàn)嚴(yán)重負(fù)損的情況.但四天后明顯可以看出日線損率趨于穩(wěn)定，且都屬于正常的范圍.對(duì)于此類存在異常數(shù)據(jù)的臺(tái)區(qū)在聚類分析前明顯需要剔除異常點(diǎn)，否則會(huì)導(dǎo)致在臺(tái)區(qū)線損異常判斷模型計(jì)算時(shí)出現(xiàn)誤差，影響判斷結(jié)果的準(zhǔn)確性.

在選擇局部異常因子LOF算法對(duì)異常數(shù)據(jù)進(jìn)行篩選和剔除時(shí)，存在三個(gè)關(guān)鍵點(diǎn)：檢測(cè)的鄰域點(diǎn)個(gè)數(shù)k、異常點(diǎn)比例以及樣本點(diǎn)的LOF值.

圖2 N01臺(tái)區(qū)日期與線損率對(duì)應(yīng)關(guān)系圖Fig.2 Corresponding relationship between the date of N01 and the line loss rate

算法中k值設(shè)置為20，k值過(guò)小會(huì)導(dǎo)致計(jì)算誤差大，尤其是數(shù)據(jù)分布相對(duì)分散時(shí)；k值過(guò)大會(huì)導(dǎo)致計(jì)算復(fù)雜，增加計(jì)算量，因此在多次仿真試驗(yàn)后將k值定為20.

算法中異常點(diǎn)比例設(shè)置為0.1，相當(dāng)于一組臺(tái)區(qū)日線損率數(shù)據(jù)挑選三個(gè)異常值，異常點(diǎn)比例大會(huì)導(dǎo)致剔除過(guò)多的數(shù)據(jù)，容易將真實(shí)數(shù)據(jù)誤認(rèn)為異常數(shù)據(jù)剔除，影響實(shí)際線損穩(wěn)定性的判斷，經(jīng)過(guò)反復(fù)仿真實(shí)驗(yàn)以及數(shù)據(jù)對(duì)比后最終將異常點(diǎn)比例設(shè)置為0.1.同時(shí)，若臺(tái)區(qū)日線損率數(shù)據(jù)不存在異常值，剔除比例為0.1時(shí)對(duì)數(shù)據(jù)的分析也不會(huì)產(chǎn)生不良影響.

樣本點(diǎn)的LOF值體現(xiàn)樣本的局部密度，LOF值越大則表明樣本點(diǎn)與其他數(shù)據(jù)越疏遠(yuǎn)，越可能是異常點(diǎn)，因此本文將LOF值最大的三個(gè)樣本點(diǎn)作為異常點(diǎn)進(jìn)行剔除.

N01臺(tái)區(qū)日期與LOF值對(duì)應(yīng)關(guān)系圖如圖3所示.

圖3 N01臺(tái)區(qū)日期與LOF值對(duì)應(yīng)關(guān)系圖Fig.3 The relationship between the date and the LOF value of station N01

圖3中outliers表示異常點(diǎn)的LOF值，inliers表示正常點(diǎn)的LOF值.將LOF值偏大的第1、2、4個(gè)數(shù)據(jù)點(diǎn)進(jìn)行剔除，而這三天的日線損率也是存在異常，遠(yuǎn)遠(yuǎn)偏離0%～10%的合格范圍.

如圖4所示，對(duì)異常點(diǎn)的數(shù)據(jù)進(jìn)行了標(biāo)識(shí)，與上述論證相對(duì)應(yīng).除了N01臺(tái)區(qū)外，本文還選擇了多個(gè)臺(tái)區(qū)進(jìn)行了數(shù)據(jù)仿真并對(duì)仿真結(jié)果進(jìn)行了驗(yàn)證，經(jīng)多次試驗(yàn)，仿真結(jié)果與N01臺(tái)區(qū)類似，本文不再一一列舉.

圖4帶異常點(diǎn)標(biāo)識(shí)的N01臺(tái)區(qū)日期與線損率對(duì)應(yīng)關(guān)系圖Fig.4 Correspondence diagram of date and line loss rate of N01 station area with abnormal point identification

這證明局部異常因子LOF算法能夠有效的識(shí)別臺(tái)區(qū)異常日線損率數(shù)據(jù)，能夠?qū)崿F(xiàn)異常數(shù)據(jù)判斷、篩選和剔除功能.

2.3 聚類算法實(shí)例分析

引入LOF算法剔除異常值后，再通過(guò)k-medoids聚類算法實(shí)現(xiàn)臺(tái)區(qū)是否存在異常的分析及判斷.在應(yīng)用matlab編譯k-medoids聚類算法時(shí)，主要引入了兩個(gè)變量，聚類中心點(diǎn)和歐氏距離.

聚類中心點(diǎn)表示離其他樣本點(diǎn)距離平方和最小的樣本點(diǎn)，主要反應(yīng)某低壓臺(tái)區(qū)日線損率數(shù)據(jù)的中間水平.

歐氏距離表示以聚類中心點(diǎn)為基準(zhǔn)，與其他樣本點(diǎn)距離平方和再除以樣本點(diǎn)的總個(gè)數(shù)，主要反應(yīng)臺(tái)區(qū)日線損率數(shù)據(jù)的波動(dòng)水平.

本文主要以這兩個(gè)參數(shù)實(shí)現(xiàn)臺(tái)區(qū)線損是否存在異常的分析判斷，如圖1所示，通過(guò)多次計(jì)算機(jī)仿真測(cè)試后，最終將歐氏距離的閾值定為10（即歐氏距離小于等于10則認(rèn)為其在合理的范圍內(nèi)）.

通常來(lái)講，對(duì)于低壓臺(tái)區(qū)線損是否存在異常的判斷主要依靠一段時(shí)間內(nèi)日線損率平均值法或直接觀察法，直接觀察法需逐個(gè)臺(tái)區(qū)進(jìn)行觀測(cè)分析，雖然精準(zhǔn)度高，但分析效率極低，不適合多個(gè)臺(tái)區(qū)的分析治理.接下來(lái)選取天津市某地區(qū)819個(gè)臺(tái)區(qū)作為數(shù)據(jù)樣本，對(duì)平均值法、直接應(yīng)用基于k-medoids聚類算法以及LOF算法優(yōu)化后的k-medoids聚類算法這三種計(jì)算方法進(jìn)行綜合對(duì)比分析.

首先從819個(gè)臺(tái)區(qū)中選取6個(gè)具有代表性的臺(tái)區(qū)進(jìn)行分析，臺(tái)區(qū)日線損率數(shù)據(jù)以及分析數(shù)據(jù)見(jiàn)表2、表3.

如表2、表3所示，可以得出如下結(jié)果：

對(duì)于像N02臺(tái)區(qū)這樣線損穩(wěn)定合格的臺(tái)區(qū)，三種算法都能做出準(zhǔn)確的判斷；對(duì)于像N05臺(tái)區(qū)和N06臺(tái)區(qū)這樣線損存在明顯異常的臺(tái)區(qū)也能做出準(zhǔn)確的判斷；

對(duì)于像N01臺(tái)區(qū)、N03臺(tái)區(qū)這樣存在個(gè)別異常值的臺(tái)區(qū)，LOF算法優(yōu)化的k-medoids聚類算法能夠做出準(zhǔn)確的判斷，但k-medoids聚類算法在判斷時(shí)會(huì)出現(xiàn)異常，而平均值法能否做出準(zhǔn)確的判斷則需要依靠日線損率數(shù)據(jù)異常值偏離正常值的程度，對(duì)N01臺(tái)區(qū)平均值法的判斷便出現(xiàn)了錯(cuò)誤，而對(duì)N03臺(tái)區(qū)卻做出了正確的判斷，這說(shuō)明平均值法對(duì)此類情況的判斷穩(wěn)定性低，容易出現(xiàn)偏差；

對(duì)于像N04臺(tái)區(qū)這樣平均線損率和聚類中心點(diǎn)均合格但臺(tái)區(qū)線損卻明顯存在異常的臺(tái)區(qū)，平均值法做出了錯(cuò)誤的判斷，而后兩種算法都能根據(jù)歐氏距離做出正確的判斷.

可以看出，三種算法對(duì)于線損率穩(wěn)定合格或穩(wěn)定不合格的臺(tái)區(qū)均能做出準(zhǔn)確的判斷；但對(duì)于線損率存在異常波動(dòng)的臺(tái)區(qū)，只有LOF算法優(yōu)化的kmedoids聚類算法能夠?qū)崿F(xiàn)準(zhǔn)確的判斷，平均值法存在隨機(jī)性，而k-medoids聚類算法的判斷容易受到異常數(shù)據(jù)的影響.

在選取6個(gè)典型臺(tái)區(qū)進(jìn)行分析的同時(shí)，對(duì)819個(gè)臺(tái)區(qū)的總體情況也進(jìn)行了歸納，如表4和圖5所示.

從表4和圖5可以看出，平均值法測(cè)算的正常臺(tái)區(qū)和負(fù)損臺(tái)區(qū)最多，高損臺(tái)區(qū)三種算法相差不大，由于線損異常是根據(jù)歐氏距離判斷的，所以平均值法的線損異常臺(tái)區(qū)為0；k-medoids聚類算法測(cè)算的正常臺(tái)區(qū)數(shù)遠(yuǎn)遠(yuǎn)小于其他兩種算法，負(fù)損臺(tái)區(qū)數(shù)在其他兩種算法之間，而線損異常臺(tái)區(qū)數(shù)相對(duì)較高；LOF算法優(yōu)化的k-medoids聚類算法測(cè)算的正常臺(tái)區(qū)數(shù)與平均值法相差不大，但負(fù)損臺(tái)區(qū)數(shù)最少，而異常臺(tái)區(qū)數(shù)不到k-medoids聚類算法測(cè)算數(shù)量的一半.

表2 N01等6個(gè)臺(tái)區(qū)為期31天日線損率數(shù)據(jù)Tab.2 31-day daily line loss data for 6 stations including N01

表3 N01等6個(gè)臺(tái)區(qū)不同算法處理結(jié)果對(duì)比分析表Tab.3 Comparison and analysis table of different algorithm processing results of 6 stations including N01

表4臺(tái)區(qū)線損情況對(duì)比分析表Tab.4 Comparative analysis table of line loss

圖5臺(tái)區(qū)線損情況對(duì)比分析圖Fig.5 Comparative analysis of line loss

通過(guò)以上的數(shù)據(jù)分析及實(shí)例驗(yàn)證，可得出如下結(jié)果：

平均值法在判斷臺(tái)區(qū)線損是否存在異常時(shí)存在數(shù)據(jù)上的巧合性，有較大的誤差，無(wú)法識(shí)別臺(tái)區(qū)日線損率波動(dòng)較大的臺(tái)區(qū)，導(dǎo)致雖然判斷結(jié)果為合格臺(tái)區(qū)，實(shí)際卻是異常臺(tái)區(qū)的現(xiàn)象出現(xiàn)；

k-medoids聚類算法在判斷臺(tái)區(qū)線損是否存在異常時(shí)會(huì)因?yàn)楫惓Ｈ站€損率數(shù)據(jù)導(dǎo)致判斷結(jié)果出現(xiàn)錯(cuò)誤，將一些合格臺(tái)區(qū)認(rèn)定為異常臺(tái)區(qū)；

LOF算法優(yōu)化的k-medoids聚類算法能夠有效的避免因日線損率波動(dòng)和異常值引起的判斷錯(cuò)誤，能夠有效的識(shí)別線損異常低壓臺(tái)區(qū).

在算法的實(shí)際應(yīng)用上，臺(tái)區(qū)日線損率數(shù)據(jù)選擇的日期及天數(shù)可根據(jù)需求進(jìn)行改變，算法根據(jù)給定的任意連續(xù)臺(tái)區(qū)日線損率數(shù)據(jù)即可實(shí)現(xiàn)對(duì)臺(tái)區(qū)線損是否存在異常的判斷，應(yīng)用的靈活性很高，但為了保證計(jì)算的準(zhǔn)確度，日線損率數(shù)據(jù)一般不應(yīng)小于10個(gè).

3 結(jié)論

本文依托用電信息采集系統(tǒng)日線損率數(shù)據(jù)，結(jié)合LOF算法和k-medoids聚類算法確定了LOF算法優(yōu)化的k-medoids聚類算法模型，應(yīng)用此算法模型實(shí)現(xiàn)了低壓臺(tái)區(qū)線損異常情況的判斷，并通過(guò)819個(gè)低壓臺(tái)區(qū)的日線損率數(shù)據(jù)驗(yàn)證了該算法模型對(duì)于低壓臺(tái)區(qū)線損異常判斷的有效性、合理性和實(shí)用性.