基于多特征和LOF的用戶負(fù)荷突變檢測

曾靜，婁冰，呂娜，鄧雋，王冠明

（1.浙江華云信息科技有限公司，杭州 310007；2.杭州師范大學(xué) 附屬未來科技城學(xué)校，杭州 311100）

0 引言

隨著現(xiàn)代電力技術(shù)向智能化、信息化、數(shù)字化方向的高速發(fā)展，電力數(shù)據(jù)量呈指數(shù)型增長，居民用戶負(fù)荷也呈高速增長態(tài)勢，用戶用電行為日趨復(fù)雜［1］。負(fù)荷曲線是電力系統(tǒng)運行規(guī)劃、負(fù)荷預(yù)測和用戶畫像等分析預(yù)測的重要依據(jù)，因此數(shù)據(jù)質(zhì)量尤為重要。為了高效地挖掘和分析數(shù)據(jù)，維持電力系統(tǒng)穩(wěn)定運行，異常值檢測和分析必不可少。其中用戶負(fù)荷突變事件檢測是非介入式負(fù)荷辨識技術(shù)中的核心原理之一［1］，負(fù)荷突變與天氣、政府政策等息息相關(guān)，通常用戶用電異常、設(shè)備故障或者采集通信過程中的擾動都會對電力系統(tǒng)運行產(chǎn)生較大影響［2］。大多突變負(fù)荷在后續(xù)分析中需要進(jìn)行特殊處理，因此從負(fù)荷曲線中有效地檢測突變負(fù)荷數(shù)據(jù)對后續(xù)負(fù)荷特征辨識與電網(wǎng)穩(wěn)定運行有重要意義，尤其可在用電安全檢查、配電臺區(qū)的優(yōu)化調(diào)度管理、用戶負(fù)荷畫像及負(fù)荷預(yù)測方面提供應(yīng)用。

從源端監(jiān)測負(fù)荷數(shù)據(jù)的異常值檢測方法較為成熟且效果較好。文獻(xiàn)［3］提出了一種基于滑動窗口和多元高斯分布的變壓器油色譜異常值檢測方法。文獻(xiàn)［4］提出了一種基于滑動窗口和聚類算法的變壓器狀態(tài)異常檢測方法。文獻(xiàn)［5］提出了一種基于灰色關(guān)聯(lián)度和K-means 聚類的異常數(shù)據(jù)檢測方法。源端監(jiān)測負(fù)荷數(shù)據(jù)異常識別在變壓器狀態(tài)評估和故障診斷中有重要作用，但其對后續(xù)大量負(fù)荷數(shù)據(jù)特征研究、電能生產(chǎn)、調(diào)度分配和負(fù)荷預(yù)測等規(guī)律性研究益處不大。文獻(xiàn)［6］介紹了因子分析的理論及其應(yīng)用于母線負(fù)荷異常數(shù)據(jù)辨識的原理，提出了基于因子分析的母線負(fù)荷異常數(shù)據(jù)辨識方法，對母線負(fù)荷突變有較好的辨識結(jié)果。文獻(xiàn)［7］基于采樣技術(shù)對FCM 算法進(jìn)行改進(jìn)，利用遺傳算法對聚類結(jié)果進(jìn)行優(yōu)化，實現(xiàn)了對電力異常數(shù)據(jù)的動態(tài)處理，但數(shù)據(jù)量小，算法相對復(fù)雜。文獻(xiàn)［8］采用基于相對密度和相對距離的方式對聚類中心進(jìn)行判別，利用LOF（局部離群因子）算法對負(fù)荷曲線進(jìn)行聚類，從而基于聚類檢測出異常數(shù)據(jù)，但該方法需要面向特定的數(shù)據(jù)集。針對用戶負(fù)荷數(shù)據(jù)量大、時間強耦合、高維復(fù)雜，且不同變壓器負(fù)荷特征大相徑庭的特點，目前主要采用傳統(tǒng)的概率統(tǒng)計或者閾值判定法對其突變異常進(jìn)行檢測，但傳統(tǒng)方法存在檢測準(zhǔn)確率低、互信息量小、計算復(fù)雜、靈活性低等問題［9］。

本文針對用戶負(fù)荷數(shù)據(jù)量大、且需要每天監(jiān)測數(shù)據(jù)異常的需求，基于以阿里云為基礎(chǔ)的數(shù)據(jù)中臺對變壓器負(fù)荷進(jìn)行數(shù)據(jù)挖掘，分析數(shù)據(jù)的潛在特征，提出了多特征與LOF 算法相結(jié)合的在線負(fù)荷突變異常檢測方法。該方法不僅可以進(jìn)行異常值檢測，還可以根據(jù)閾值設(shè)定異常程度，將業(yè)務(wù)上認(rèn)為突變異常的負(fù)荷曲線識別出來；結(jié)合實際情況，在中臺每天定時檢測并存儲突變異常，以便后續(xù)進(jìn)行快速統(tǒng)計分析和展示，從而實現(xiàn)突變檢測的工程化應(yīng)用。

1 負(fù)荷數(shù)據(jù)特征提取

1.1 負(fù)荷數(shù)據(jù)特點

用電負(fù)荷是指連接在系統(tǒng)上的一切用電設(shè)備所消耗的功率，負(fù)荷數(shù)據(jù)是大量、連續(xù)和有序的，一般負(fù)荷一天之內(nèi)用電模式相對固定，波動較小。用電負(fù)荷也會隨人口增長、季節(jié)變化以及生活水平而變化，具有以下主要特點［10］：

1）周期規(guī)律性。負(fù)荷數(shù)據(jù)是用戶用電消費行為的外在表現(xiàn)，各類型用戶的生產(chǎn)、生活往往呈現(xiàn)出一定的周期性規(guī)律。

2）時序性強。負(fù)荷數(shù)據(jù)以數(shù)據(jù)流的形式出現(xiàn)在采集、傳輸和存儲各個環(huán)節(jié)，前后點相關(guān)性較大。

3）數(shù)據(jù)處理代價高昂。負(fù)荷數(shù)據(jù)一般為高精度浮點數(shù)且數(shù)值敏感性較強，用戶數(shù)量大和采集頻率高導(dǎo)致其數(shù)據(jù)量非常大，分析困難且需要大量計算資源。

4）隨機性。由于電網(wǎng)的復(fù)雜性和用戶活動的靈活多變性，突變普遍存在且難以預(yù)測。

雖然負(fù)荷具有隨機性，但在一天內(nèi)用電變化不會特別大，多天用電模式相對固定。如圖1所示為某用戶的5 天負(fù)荷曲線，用電負(fù)荷大多在10～35 kW之間變化，且變化不會特別劇烈。

圖1 某用戶5天負(fù)荷曲線Fig.1 Load curves of a user in five days

而存在負(fù)荷突變的曲線變化速度快、間隔短，往往帶有暫升、驟降等突變特性。突變負(fù)荷可大致分為毛刺型突變負(fù)荷和連續(xù)型突變負(fù)荷兩類［11］：毛刺型突變通常表現(xiàn)為相鄰時刻負(fù)荷數(shù)據(jù)突然增大或者突然減小，如圖2所示。連續(xù)型突變通常表現(xiàn)為負(fù)荷轉(zhuǎn)移，多是線路由于局部故障或者存在故障風(fēng)險時承擔(dān)其他線路負(fù)荷，使負(fù)荷在電網(wǎng)中重新分配，如圖3所示。

圖2 毛刺型突變負(fù)荷Fig.2 Burr-type load change

圖3 連續(xù)型突變負(fù)荷Fig.3 Continuous load change

1.2 特征分析與提取

負(fù)荷突變判斷需要考慮受多方面因素的影響而產(chǎn)生的非規(guī)律性波動。每天選取用戶96 點負(fù)荷作為特征輸入維度過大，且單純的負(fù)荷量測數(shù)據(jù)對于突變這種行為特征表述不夠準(zhǔn)確。為了降低數(shù)據(jù)維度并實現(xiàn)對海量用戶負(fù)荷數(shù)據(jù)的有效分析，需要進(jìn)行數(shù)據(jù)挖掘并提取關(guān)鍵特征。負(fù)荷曲線是電力系統(tǒng)中負(fù)荷數(shù)值隨時間變化的曲線，與信號有類似的規(guī)律，受信號分析方法啟發(fā)，主要提取變壓器負(fù)荷曲線數(shù)據(jù)統(tǒng)計特征和波形特征。統(tǒng)計特征包括平均負(fù)荷和標(biāo)準(zhǔn)差，波形特征［12］包括峭度、離散系數(shù)、波形因子和脈沖因子。

平均負(fù)荷即對當(dāng)天96 點負(fù)荷取平均值，這是表示變壓器一天用電負(fù)荷最直觀、簡明的統(tǒng)計特征。

標(biāo)準(zhǔn)差σ主要用于統(tǒng)計每天96 點負(fù)荷曲線數(shù)據(jù)的差異程度；方差是各個數(shù)據(jù)與其算術(shù)平均數(shù)和離差平方和的平均數(shù)；標(biāo)準(zhǔn)差為方差的算術(shù)平方根。計算公式如式（1）所示，n為負(fù)荷曲線采集點數(shù)量；Xi為任一采集點負(fù)荷；Xˉ為負(fù)荷曲線數(shù)據(jù)平均值。

峭度Ck表示波形的平緩程度，用于描述數(shù)據(jù)的分布。正態(tài)分布的峭度等于3；峭度小于3時分布曲線會較“平”；大于3時分布曲線較“陡”。計算公式如式（2）所示：

離散Cd系數(shù)用于比較不同樣本數(shù)據(jù)的離散程度。離散系數(shù)大，說明數(shù)據(jù)存在抖起抖落的現(xiàn)象；離散系數(shù)小，說明數(shù)據(jù)比較均衡。計算公式如式（3）所示，xmean為負(fù)荷曲線數(shù)據(jù)平均值：

波形因子Cs是數(shù)據(jù)均方根與平均值的比值［13］。在電子領(lǐng)域其物理含義為直流電流相對于等功率的交流電流的比值，其值大于等于1，在這里表征負(fù)荷數(shù)據(jù)相對于平均值的波動程度：

脈沖因子Cif是信號峰值與整流平均值（絕對值的平均值）的比值［14］，代表峰值在波形中的極端程度：

本文主要采用人工提取特征，因此特征中可能會存在冗余信息，這些特征不僅不會增加異常檢測的有用信息，相反可能會降低檢測性能。因此，需要對其進(jìn)行降維，提取對突變數(shù)據(jù)檢測有效的特征。

2 基于多特征和LOF 算法的用戶負(fù)荷突變異常檢測

由于電力數(shù)據(jù)量極大，并且突變數(shù)據(jù)并未有適用的方式進(jìn)行識別和標(biāo)注，均為無標(biāo)簽數(shù)據(jù)，因此用無監(jiān)督算法對突變數(shù)據(jù)進(jìn)行檢測最為合適?；趯ω?fù)荷曲線提取的特征，采用PCA（主成分分析）方法進(jìn)行降維，并使用LOF 對所有用戶負(fù)荷數(shù)據(jù)進(jìn)行聚類，對突變異常數(shù)據(jù)進(jìn)行檢測。

2.1 PCA基本原理

PCA 是一種數(shù)學(xué)降維方法。將提取到的負(fù)荷數(shù)據(jù)多維特征進(jìn)行降維的主要目的在于：簡化運算、去除數(shù)據(jù)噪音、發(fā)現(xiàn)隱形相關(guān)變量。PCA 算法能夠減少數(shù)據(jù)集的維數(shù)，同時保持?jǐn)?shù)據(jù)集貢獻(xiàn)率最大特征并找到隱變量，可簡單高效地對特征進(jìn)行處理。PCA 基本原理是利用正交變換將一系列可能線性相關(guān)的變量轉(zhuǎn)換為一組線性不相關(guān)的新變量，也稱為主成分，從而利用新變量在更小的維度下展示數(shù)據(jù)的特征［15］。基本步驟如下：

1）將特征數(shù)據(jù)按列組成N行M列矩陣X。

2）將X的每一行進(jìn)行零均值化，即減去每一行的均值。

3）求出X的協(xié)方差矩陣C。

4）求出協(xié)方差矩陣C的特征值及對應(yīng)的特征向量，C的特征值就是Y的每維元素的方差，也是D的對角線元素，從大到小沿對角線排列構(gòu)成D。

5）將特征向量按對應(yīng)特征值大小從上到下按行排列成矩陣，根據(jù)實際業(yè)務(wù)場景，取貢獻(xiàn)率為99%的前R行組成矩陣P。

6）Y=PX即為降到R維后的目標(biāo)矩陣。

2.2 LOF算法基本原理

LOF 算法是一種基于密度的無監(jiān)督高精度離群點異常檢測算法，其主要思想是：針對給定的數(shù)據(jù)集，對其中的任意一個數(shù)據(jù)點，如果在其局部鄰域內(nèi)的點都很密集，認(rèn)為此數(shù)據(jù)點為正常數(shù)據(jù)點；而離群點則是距離正常數(shù)據(jù)點最近鄰的點都比較遠(yuǎn)的數(shù)據(jù)點，通常由閾值界定距離的遠(yuǎn)近［16］。

LOF 算法的核心是將特征分布異常離群的點“挑出來”，由于負(fù)荷曲線數(shù)據(jù)異常值只占很少一部分，因此相比非監(jiān)督聚類算法，采用LOF 算法把異常分布相似的點集“聚出來”會更有針對性，同時比傳統(tǒng)的統(tǒng)計方法考慮更多互信息，且靈活性高。當(dāng)未知類型的異常數(shù)據(jù)因為各種原因而分布比較零散、且距離正常數(shù)據(jù)集合較遠(yuǎn)時，LOF算法具有很好的表現(xiàn)性能，而負(fù)荷曲線在提取特征降維后已有了基本的區(qū)分，非常適合采用LOF算法進(jìn)行異常值檢測。

對于一個給定的點p，LOF 算法的基本過程［17］如下。

1）對象p的k距離。對象p的k距離指對象p與它第k近鄰數(shù)據(jù)點o的距離，用dk（p）表示：

滿足條件：集合中至少存在k個數(shù)據(jù)點o′∈D，使得d(p，o′)≤d(p，o)；集合中至多存在k-1個數(shù)據(jù)點o′∈D，使得d(p，o′)＜d(p，o)。

Nk（p）是p的第k距離及以內(nèi)的所有點，包括第k距離，因此p的第k鄰域點的個數(shù)|Nk（p）|滿足|Nk（p）|≤k。

2）對象p到對象o的第k可達(dá)距離?？捎胷each_distk表示，該距離至少是o的第k距離，或是o、p間的真實距離：

reach_distk(p，o)=max{dk(p)，d(p，o)} （7）

3）對象p的局部可達(dá)密度。使用局部可達(dá)密度表征樣本點p的密度，用lrdk（p）表示：

4）對象p的LOF。離群因子標(biāo)識了一個數(shù)據(jù)點的離群程度，用LOFk（p）表示：

LOFk（p）表示對象p的鄰域點Nk（p）的局部可達(dá)密度之比的平均數(shù)，對象p的LOF 意義在于其值越接近1，說明點p與其鄰域點的密度相差較小，屬于同一類簇；如果比值大于1，說明點p的密度小于其鄰域點的密度，p有可能是異常點。

檢測異常值需要計算每一個樣本的LOF 并設(shè)置閾值，通過閾值與離群因子的比較來判斷樣本點是否為異常值。

2.3 基于多特征和LOF 算法的用戶負(fù)荷突變異常檢測步驟

用戶分為專變用戶和公變用戶。本文以營銷系統(tǒng)某市所有專變和公變負(fù)荷數(shù)據(jù)為實驗數(shù)據(jù)，為了更加精確地判定負(fù)荷，每15 min 更新1 次，一天共選取96 個負(fù)荷量測值數(shù)據(jù)。主要檢測步驟如下：

1）將T-1 的數(shù)據(jù)按量測點進(jìn)行分組，形成以id為主鍵、以分鐘為表字段的寬表。

2）對分組后的負(fù)荷進(jìn)行數(shù)據(jù)處理，漏點補全（插值），并對96點負(fù)荷均為0的數(shù)據(jù)進(jìn)行剔除。

3）提取每個用戶T-1 負(fù)荷曲線的時域和波形特征。

4）使用PCA 對特征數(shù)據(jù)進(jìn)行降維，提取主要特征。

5）將降維后的2 個新特征作為輸入，設(shè)定LOF算法中鄰域K和離群閾值λ。

6）計算樣本p的離群因子LOFk（p）。

7）比較離群因子LOFk（p）與離群閾值大小。LOFk（p）＞λ時該樣本為異常負(fù)荷，否則為正常負(fù)荷，從而將有突變數(shù)據(jù)和無突變數(shù)據(jù)進(jìn)行區(qū)分。

具體檢測流程如圖4所示。

圖4 檢測總體流程Fig.4 Overall flow of testing

3 在線檢測平臺

用戶負(fù)荷量測數(shù)據(jù)每15 min 更新1 次，且某市用戶數(shù)量大，專變用戶有4.7 萬戶，每天產(chǎn)生450 萬條數(shù)據(jù)，公變用戶有5.6 萬戶，每天產(chǎn)生540 萬條數(shù)據(jù)。而負(fù)荷突變的檢測需要每天進(jìn)行，為了在數(shù)據(jù)量大的情況下將整個檢測過程進(jìn)行貫通，實現(xiàn)負(fù)荷突變檢測的工程化應(yīng)用，依托數(shù)據(jù)中臺中數(shù)據(jù)讀取和存儲的優(yōu)勢，檢測任務(wù)在公司創(chuàng)建的浙電數(shù)據(jù)中臺中進(jìn)行。

數(shù)據(jù)中臺集成了阿里云各組件，其中max-Compute（大數(shù)據(jù)計算服務(wù)，原名ODPS）是一種快速、完全托管的TB/PB 級數(shù)據(jù)倉庫解決方案［18］。MaxCompute向用戶提供了完善的數(shù)據(jù)導(dǎo)入方案以及多種經(jīng)典的分布式計算模型，能夠更快速地解決用戶海量數(shù)據(jù)計算問題。MaxCompute 支持SQL、MapReduce 和Python 等計算類型及MPI 迭代類算法，本文在數(shù)據(jù)開發(fā)過程中使用ODPS（開放數(shù)據(jù)處理服務(wù)）中SQL和Python的開發(fā)功能。

以數(shù)據(jù)中臺中數(shù)據(jù)處理和分析組件為基礎(chǔ)，每天定時對某市所有專變和公變用戶負(fù)荷數(shù)據(jù)進(jìn)行突變異常檢測，平臺中在線檢測數(shù)據(jù)流如圖5所示。

圖5 在線檢測數(shù)據(jù)流Fig.5 Online inspection data flow

在數(shù)據(jù)中臺中實現(xiàn)整個流程的貫通。首先，從數(shù)據(jù)中臺的ODPS 共享層中讀取杭州T-1 的用戶負(fù)荷數(shù)據(jù)；其次，通過ODPS SQL 開發(fā)功能對用戶負(fù)荷量測數(shù)據(jù)和用戶檔案數(shù)據(jù)進(jìn)行查看和關(guān)聯(lián)；然后，使用PyODPS 開發(fā)功能編寫負(fù)荷突變檢測的Python 程序；最后，將有負(fù)荷突變的用戶信息存儲到ODPS分析層。

4 檢測結(jié)果

以某市某天負(fù)荷數(shù)據(jù)為例，分別對專變用戶和公變用戶負(fù)荷曲線進(jìn)行異常值檢測。從數(shù)據(jù)中臺ODPS 中取出數(shù)據(jù)并進(jìn)行數(shù)據(jù)處理形成寬表，使用PyODPS 進(jìn)行算法開發(fā)，分別從專變和公變用戶負(fù)荷曲線中提取6 個統(tǒng)計和波形特征?；赑CA 降維后形成二維新特征，最終貢獻(xiàn)率達(dá)98%，可極大程度地代表所有特征信息，并挖掘特征之間隱形特征，將二維特征以散點圖形式進(jìn)行可視化（如圖6所示）。

圖6 降維后二維特征散點分布Fig.6 Scatter distribution of 2-dimensional features after dimensionality reduction

由圖6可知，特征1數(shù)值在20以上的特征分布非常分散，負(fù)荷曲線特征有明顯區(qū)別，檢查數(shù)據(jù)后發(fā)現(xiàn)基本為有突變負(fù)荷數(shù)據(jù)；而特征1 數(shù)值在20 以下的基本為非突變負(fù)荷數(shù)據(jù)，只有少量數(shù)據(jù)為突變負(fù)荷數(shù)據(jù)。二維新特征可將突變和非突變負(fù)荷數(shù)據(jù)進(jìn)行較為明顯的區(qū)分，并作為異常值檢測算法的輸入。后續(xù)模型訓(xùn)練過程中也可根據(jù)降維后的特征規(guī)律對LOF離群閾值進(jìn)行設(shè)置。

分別采用3σ算法、OneClassSvm 算法、Kmeans 算法、DBSCAN 算法對用戶負(fù)荷數(shù)據(jù)進(jìn)行異常值分析和檢測，對檢測出的用戶負(fù)荷曲線可視化后進(jìn)行人工判斷發(fā)現(xiàn)：3σ算法和One-ClassSvm 算法會將某些光伏用戶和較為平穩(wěn)但偶爾有細(xì)微變化的負(fù)荷曲線誤判為突變負(fù)荷；Kmeans 算法和DBSCAN 算法可能漏判某些連續(xù)突變的負(fù)荷曲線；其余方法均有誤判或者漏判的情況，實踐再次證明LOF算法為最優(yōu)方法。

采用LOF 算法進(jìn)行異常值檢測后，得到的專變和公變負(fù)荷異常檢測結(jié)果如表1 所示?？梢钥吹?，專變突變率為0.011，公變突變率為0.004。檢測均能在2 min內(nèi)完成，較快完成了取數(shù)據(jù)、負(fù)荷突變異常檢測-存數(shù)據(jù)工作，從而每天都能對T-1的數(shù)據(jù)進(jìn)行突變率檢測。

表1 專變和公變用戶負(fù)荷異常檢測結(jié)果Table 1 Results of load anomaly detection for dedicated and public transformer users

從檢測出的突變負(fù)荷曲線來看，均有類似脈沖的突變點，或是存在連續(xù)跳變的點，能較為準(zhǔn)確地檢測到突變信號。為了尋找負(fù)荷突變的原因和規(guī)律，按發(fā)生頻率進(jìn)行分類，無論是毛刺型突變還是連續(xù)型突變，都可以分為偶爾型和長期型。

結(jié)合各類產(chǎn)業(yè)特點發(fā)現(xiàn)，偶爾型負(fù)荷突變的原因包括采集傳輸過程中遇到干擾、設(shè)備故障、天氣變化、緊急使用高功率設(shè)備和偷電漏電等導(dǎo)致突發(fā)性用電變化；長期型負(fù)荷突變主要涉及養(yǎng)殖場、海港捕魚、機械制造和建筑工地等產(chǎn)業(yè)，在工作時經(jīng)常會發(fā)生短時間內(nèi)負(fù)荷的劇烈變化。

典型的偶爾型突變負(fù)荷運行模式如圖7 所示。此用戶為某房地產(chǎn)開發(fā)有限公司某酒店分公司，圖7 中展示了該專變從2022-01-01—04-21 的負(fù)荷曲線，這期間負(fù)荷基本都在50 kW 左右，最多未超過100 kW；但在21日出現(xiàn)了突變，負(fù)荷功率一度達(dá)到277 kW。研究發(fā)現(xiàn)，發(fā)生突變的原因為采集傳輸過程中遇到干擾導(dǎo)致，屬于偶發(fā)的情況。此類突變異常檢測可以應(yīng)用于兩方面：一是在用戶畫像或者負(fù)荷預(yù)測時需要對突變負(fù)荷異常數(shù)據(jù)進(jìn)行剔除處理，為后續(xù)研究提供可靠的數(shù)據(jù)；二是對突變負(fù)荷具體干擾原因進(jìn)行排查，在用電安全檢查過程中對類似干擾進(jìn)行提早準(zhǔn)備或告警，避免再發(fā)生影響電網(wǎng)穩(wěn)定運行的情況。

圖7 案例1負(fù)荷曲線Fig.7 Load curves of case 1

典型的長期型突變負(fù)荷運行模式如圖8 所示。此用戶為某市某農(nóng)防專變，圖8中僅展示了該專變從2022-04-15—04-21 的負(fù)荷曲線。可以看到，除4月19日僅下午發(fā)生1次突變外，其余幾乎每天均有2 次突變，時間點在02：00 和14：00 左右，具有一定的規(guī)律性。研究發(fā)現(xiàn)該用戶在開展一體化灌溉排澇工作，屬于長期且相對穩(wěn)定發(fā)生的情況。此類突變負(fù)荷異常檢測可以應(yīng)用于三方面：一是為用戶畫像和負(fù)荷預(yù)測等研究提供規(guī)律性特征；二是在用電安全檢查過程中重點關(guān)注這些長期負(fù)荷突變的臺區(qū)，排除負(fù)荷突變可能引起的用電問題；三是依據(jù)這種長時間穩(wěn)定的突變負(fù)荷規(guī)律，優(yōu)化配電臺區(qū)的調(diào)度管理，在存在負(fù)荷突變的情況下維持配電網(wǎng)的穩(wěn)定運行。

圖8 案例2負(fù)荷曲線Fig.8 Load curves of case 2

5 結(jié)語

本文提出了基于多維特征和LOF 算法的用戶負(fù)荷突變異常檢測方法，能針對所有用戶較準(zhǔn)確地完成對突變異常負(fù)荷的檢測，具有普適性，可在數(shù)據(jù)中臺中定時調(diào)用，實現(xiàn)了工程化應(yīng)用。完成負(fù)荷突變異常檢測后，可在中臺中高效迅速地從不同地區(qū)、不同日期、不同行業(yè)等維度多層面統(tǒng)計、分析、處理和展示突變的負(fù)荷數(shù)據(jù)，為后續(xù)負(fù)荷預(yù)測、用戶畫像、用電安全檢查、配電臺區(qū)的優(yōu)化調(diào)度管理等方面奠定了數(shù)據(jù)基礎(chǔ)。