面向能源互联网终端用户的异常数据检测方法

随着能源互联网的持续推进,电力系统的信息化程度不断提高,用户侧电量数据迅速增长,为开展基于大数据分析技术的用户用能特征检测提供了数据基础。针对传统的用户异常用电模式检测模型存在投入高、效率低的问题,提出了包含数据清洗特征筛选模型训练的用户异常用电全周期检测模型。为了综合考虑用户异常用电模式的影响因素,建立了包含负荷曲线斜率指标、线损指标和告警类指标的评估指标体系;并对初始数据进行数据清洗及缺失值处理以提高用户异常用电模式检测的精确度,然后使用极端梯度提升树(extreme gradient boosting,XGBoost)进行异常检测。最后,通过算例验证了检测模型的有效性,并通过与决策树、随机森林及Adaboost的对比分析,得出了XGBoost在用户异常用电模式检测中以较短的训练时间获得了较高的检测精度的结论。