[发明专利]一种居民用电安全分析中应用孤立森林算法发现异常数据的方法

说明书

潜在的社区用电安全问题在目前的城市化管理中愈发受到重视，如何快速对用电单位存在的潜在用电安全问题进行识别，通过大数据和智能化的方法更好的对社区用能进行管理的需求在近年来也愈发增加。居民用电安全分析旨在通过对大量的居民用电负荷数据，通过智能电表等终端设备采集，进而进行异常值监测，聚类分析，时间序列等方法得出不同居民的用电习惯，发现用电异常情况。本发明公开了一种居民用电安全分析中对居民用电负荷数据应用孤立森林算法发现异常数据的方法，以达到报告居民用电中异常行为，预警社区中异常用电情况的目的。

技术领域

本发明涉及电力安全分析技术领域，具体涉及一居民用电负荷数据分析中应用孤立森林算法发现异常数据的方法。

背景技术

近年来，随着改革开放的进一步深化，企业数量大大增加，居民生活质量得到了长足进步，从而导致了新一轮的用电增长，社区用电安全问题进一步的突显。潜在的社区用电安全问题在目前的城市化管理中愈发受到重视，如何快速对用电单位存在的潜在用电安全问题进行识别，通过大数据和智能化的方法更好的对社区用能进行管理的需求在近年来也愈发增加。社区中群租，居民用电工业化应用的情况层出不穷，而通过对居民用电画像，习惯分析的居民用电安全分析可以为城市管理者在异常发生的第一时间发现此类违规的情况。居民用电安全分析旨在通过对大量的居民用电负荷数据，通过智能电表等终端设备采集，进而进行异常值监测，聚类分析，时间序列等方法得出不同居民的用电习惯，发现用电异常情况。本发明公开了一种居民用电安全分析中对居民用电负荷数据应用孤立森林算法发现异常数据的方法，以达到报告居民用电中异常行为，预警社区中异常用电情况的目的。

发明内容

本发明提出了一种基于孤立森林算法对居民用电负荷数据的异常数据筛选的方法, 其特点在于应用孤立森林算法发现异常数据并且报告的功能。

孤立森林算法是用于异常检测的机器学习算法，是一种无监督学习，基于决策树的算法，通过隔离数据中的离群值识别异常。从给定的特征集合中随机选择特征，然后在特征的最大值和最小值间随机选择一个分割值，来隔离离群值。这种特征的随机划分会使异常数据点在树中生成的路径更短，从而将它们和其他数据分开。在孤立森林中，异常被定义为“容易被孤立的离群点 ”，可以将其理解为分布稀疏且离密度高的群体较远的点。 在特征空间里，分布稀疏的区域表示事件发生在该区域的概率很低，因而可以认为落在这些区域里的数据是异常的。孤立森林是一种适用于连续数据的异常检测方法，即不需要有标记的样本来训练，但特征需要是连续的。对于如何查找哪些点容易被孤立，孤立森林算法使用了一套非常高效的策略。在孤立森林中，递归地随机分割数据集，直到所有的样本点都是孤立的。在这种随机分割的策略下，异常点通常具有较短的路径。从统计学来看，在数据空间里，若一个区域内只有分布稀疏的点，表示数据点落在此区域的概率很低，因此可以认为这些区域的点是异常的。直观上来讲，那些密度很高的簇是需要被切很多次才能被孤立，但是那些密度很低的点很容易就可以被孤立并且被认为是异常值。

实际收集到的居民用电负荷历史数据经过孤立森林的计算分析，可以寻找到用电异常值并且通过时间戳找到异常发生的时间，通过锁定用电居民及异常用电行为进而可以实现对社区用电安全的高效管理。

附图说明

图1为本发明实施例中历史负荷数据异常数据剔除和去噪处理的方法的处理流程示意图。

图2为本发明实施例中对子样本进行切割过程示意图。

具体实施方式

为使得本发明的内容、目的、特征及优点能够更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护说明书的范围。如图1所示，本发明涉及步骤如下。