基于ARMA和K-means聚类的用电量数据异常识别

• 作者: 梁广明 梁捷
• 来源期刊: 湖北电力
• 学科: 工学
• 关键词: 异常识别 自回归滑动平均模型 K-means聚类 旋转分量 用电量
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 电力系统及自动化
• 页码范围: 65-70
• 页数: 6页
• 分类号: TM933
• 字数: 5491字
• 语种: 中文
• DOI: 10.19308/j.hep.2019.04.010

摘要

针对传统方法难以实现对电力系统异常电量的高效、准确辨识的问题,提出一种基于自回归滑动平均模型(ARMA)和K-means聚类的电量数据异常识别方法.在分析电量数据中的趋势性、周期性和季节性特征的基础上,首先利用历史数据建立ARMA模型进行用电量预测模型训练,并通过极值点步进线性回归策略逐步提取出线性化的旋转分量,提高旋转分量的生成效率.然后计算预测值和真实值之间的残差,最后对残差项进行DBSCAN聚类,实现电量异常数据的识别.对某电网20个区域的用电量数据进行案例分析,并与常见异常识别方法进行对比,通过检测率和误报率评价指标验证了该研究方法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	梁捷	广西电网有限责任公司计量中心	65	65	4.0	4.0
2	梁广明		6	4	2.0	2.0