[发明专利]一种基于机器学习算法的空巢用户用电异常检测方法

权利要求书

1.一种基于机器学习算法的空巢用户用电异常检测方法，其特征在于，包括以下步骤：

(1)利用政府社会信息系统获得准确空巢用户标签列表，通过用电采集系统获取用户整年日负荷用电数据；

(2)采用均值滤波法对该用户日负荷数据进行非线性平滑处理；

(3)采用自适应余弦K-means算法对平滑处理后的负荷数据进行聚类，自动寻找聚类效果最优的聚类数k；

(4)计算聚类后每个簇的聚类中心曲线作为该用户典型日负荷用电曲线；

(5)计算步骤(3)中样本与每个簇的聚类中心的余弦相似度构建异常检测模型数据集；

(6)基于异常检测模型数据集构建无监督孤立森林异常用电检测模型；

(7)利用步骤(6)的异常用电检测模型对用户新用电数据进行异常检测。

2.根据权利要求1所述的基于机器学习算法的空巢用户用电异常检测方法，其特征在于：自适应余弦K-means算法包括以下步骤：

a)设提取的用户用电数据集D＝{d₁,d₂,…d_n}∈R^s，即D为具有n维的s元数据集合，n为用户往日用电天数，s为用户每天96点的负荷电流数据；

b)进行自动搜索最优聚类数目k，首先确定聚类初始簇k值范围，以初始聚类数k＝2进行余弦K-means聚类；

c)计算每类中的样本数P_i，若P_i不小于阈值α，则令聚类数k＝k+1重新聚类，直至任意P_i小于阈值α时停止聚类，设此时聚类簇k值范围为2～N；

d)针对不同聚类数k＝1,2…N，分别计算其平均轮廓系数SC和DBI指标；

平均轮廓系数SC：

式中a_i表示样本i到同簇其它样本的平均距离；b_i表示样本i到非同簇其它样本的平均距离的最小值；q_i为该向量i的轮廓系数；N为样本个数；Q为平均轮廓系数。

聚类DBI指标：

式中k为聚类数，avg(db_i)为第i类簇中所有样本到聚类中心的平均距离，D_ij为第i类和第j类簇聚类中心距离。

e)将DBI指标按照公式(3～4)进行正向化处理后构建评价指标矩阵X；

DBI＝max(DBI)-DBI (3)

f)对评价指标矩阵X进行公式(5)标准化操作得到z_ij，并找出每列最大值Z+和最小值Z-。

g)按照公式(6)计算聚类数目为k＝i(i＝1,2,…N)时的综合评价得分f_i：

式中，0≤f_i≤1，f_i越大代表聚类效果越好，选取f_i最大时的i值作为最佳聚类数k。

3.根据权利要求2所述的基于机器学习算法的空巢用户用电异常检测方法，其特征在于：在步骤a)中余弦K-means聚类算法步骤如下：

1)首先定义聚类的余弦相似度指标，其计算公式如下：

式中A＝{x_i|i＝1,2,…,n}与B(y_i|i＝1,2,…,n)为两条用电曲线向量。

2)对聚类中心初始化，为了避免因初始化中心选择不当而导致K-means陷入局部最优的情况出现，随机选取了k个余弦相似度距离较远的样本d₁,d₂,…d_k∈R^s作为初始聚类中心。

3)计算剩余样本与初始聚类中心之间余弦相似度，将其归类到相似度最近的簇中，按照公式(8)将每个簇的平均向量作为新的聚类中心C_j(j＝1,2,…,k)。

式中，n_j为簇j的样本数，d_i为属于类C_j的样本。

4)重复步骤3)不断迭代，直至准则函数SEE收敛，计算公式为：