[发明专利]一种基于sax算法的商业体异常用电检测方法

说明书

本发明公开了一种基于sax算法的商业体异常用电检测方法，包括以下步骤：采集商业体的待检测电能数据，将与待检测电能数据所在日期相近五个月的电能数据作为训练集；将训练集中的电能数据进行时序符号化，并且判断训练集是否拆分，得到拆分训练集和不拆分训练集；根据训练集中时序符号化的电能数据，对拆分训练集和不拆分训练集进行分类；根据拆分训练集和不拆分训练集的分类结果，构建具有取值范围的样本集；根据样本集，生成每个设备一个小时对应的上下界阈值；对待检测电能数据进行异常用电判别，得到异常用电判断结果。本发明通过对商业体用电的监控，能够实现对异常用电的报警，有利于管理人员对商业体用能进行有效管理。

技术领域

本发明属于商业体用电检测领域，具体涉及一种基于sax算法的商业体异常用电检测方法。

背景技术

商业体用电特征受业务、设备类型的影响，回路复杂，回路数量众多，回路用电差异大，有单独设备回路，也有多个设备组成的复合回路。根据前期调研，商业体用电类型可分为：空调、电梯、动力、消防、照明等回路。根据对回路的分析，一些回路序列存在季节性、工作日与非工作日、是否固定启停、是否平稳用电等差异，这就决定了商业用电异常用能的检测场景比较复杂。目前用电异常检测技术包括曲线拟合，即根据拟合剩余的偏差来判别异常，这个属于波动异常，不适合不平稳的用电时序检测，即当遇到异方差的时序异常会比较难判别；也有根据当前数据历史相似天寻找相似的曲线来判断是否异常，相似天的计算方法包括KNN，DTW，聚类等方法，但是距离参数以及聚类个数设置比较复杂，且对于有固定启停的回路不能很好的判断启停边界，会将固定启停时序里面的一些波动误判别为异常。而LOF和随机森林容易将时序中的变化点识别为异常，且解释性较弱。所以目前现有技术商业体用电异常识别的准确率不高。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于sax算法的商业体异常用电检测方法解决了商业体用电异常识别的准确率不高的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于sax算法的商业体异常用电检测方法，包括以下步骤：

S1、采集商业体的待检测电能数据，将与待检测电能数据所在日期相近五个月的电能数据作为训练集；

S2、将训练集中的电能数据进行时序符号化，并且判断训练集是否拆分，得到拆分训练集和不拆分训练集；

S3、根据训练集中时序符号化的电能数据，对拆分训练集和不拆分训练集进行分类；

S4、根据拆分训练集和不拆分训练集的分类结果，构建具有取值范围的样本集；

S5、根据样本集，生成每个设备一个小时对应的上下界阈值；

S6、根据上下界阈值，对待检测电能数据进行异常用电判别，得到异常用电判断结果。

进一步地，所述步骤S1包括以下分步骤：

S1.1、采集商业体电能数据，并将其某一天的电能数据中作为待检测电能数据；

S1.2、根据待检测电能数据所在日期，采集商业体在与该日期接近五个月的电能数据，并将近五个月的电能数据作为训练集；

所述商业体电能数据为i表示采集商业体电能数据所在日期的前i天，i＝1,2,3,....,D，j表示在第i天中具体点位，j＝0,1,...,23。

进一步地，所述步骤S2中将训练集中的电能数据进行时序符号化的具体方法为：

A1、将商业体电能数据的数据归一化到均值为0和方差为1的分布下；

A2、根据归一化后的商业体电能数据，获取其正态分布，并将正态分布下的面积等分为3部分，得到2个数值切割点；

A3、根据2个数值切割点，将训练集的数据划分为3部分；