基于大数据挖掘的用电异常特征自动化分析方法

摘要

电异常数据中存在缺失值、异常值、噪声和数据不平衡等问题，这些问题使得现有自动化分析方法的准确性和鲁棒性受到影响，对此，研究基于大数据挖掘的用电异常特征自动化分析方法。首先，利用改进K-means聚类算法，实施典型负荷特征曲线的聚类分析。通过获取大规模的负荷特征曲线数据，可以减少数据缺失、异常值和噪声等问题，提高数据质量。然后，基于欧氏距离实施用户负荷曲线与典型负荷特征曲线的相似性度量，实现用电异常用户筛选。最后，基于模糊神经网络模型设计用电异常特征自动化分析模型，实施用电异常特征自动化分析。实验结果表明，设计方法的最大误判率为1.32%,最小误判率为0.36%,平均误判率为0.52%,整体误判率较低，与期望输出的拟合情况较好，与现实较为贴近，具有一定的实用价值。

关键词

自组织映射网络 / 改进K-means聚类算法 / 相似性度量 / 用电异常特征分析