CN113762373A - 一种负荷特性的异常识别方法、装置、电子设备及介质 - Google Patents

Abstract

本申请实施例公开了一种负荷特性的异常识别方法、装置、电子设备及介质。其中，该方法包括：获取预设的负荷特性识别周期内的待识别负荷特性；根据预设的聚类算法，将所述待识别负荷特性聚类为至少两个特性簇，确定所述特性簇的类中心曲线；确定所述类中心曲线中是否存在满足预设的异常特性判断标准的目标曲线；若是，则根据所述目标曲线，确定目标特性簇，将所述目标特性簇中的待识别负荷特性确定为异常负荷特性。本申请实施例实现了对用户用电异常的负荷特性的获取，提高了用电特性的精确性。

Description

一种负荷特性的异常识别方法、装置、电子设备及介质

技术领域

本申请实施例涉及数据处理技术，尤其涉及一种负荷特性的异常识别方法、装置、电子设备及介质。

背景技术

在用户负荷管理及优化配置的业务应用中，需要对用户的电力数据进行深度挖掘，提取用户用电特性。

现有技术中，对用户的用电特性进行周期性特征的提取，例如，确定负荷是否具备时间周期特性和频谱特性等，但这些特性仅仅是用户用电特性的一部分，并不全面，无法实现对用户负荷的精确管理。

发明内容

本申请实施例提供一种负荷特性的异常识别方法、装置、电子设备及介质，以实现对用户用电异常的负荷特性的获取，提高用电特性的精确性。

第一方面，本申请实施例提供了一种负荷特性的异常识别方法，该方法包括：

获取预设的负荷特性识别周期内的待识别负荷特性；

根据预设的聚类算法，将所述待识别负荷特性聚类为至少两个特性簇，确定所述特性簇的类中心曲线；

确定所述类中心曲线中是否存在满足预设的异常特性判断标准的目标曲线；

若是，则根据所述目标曲线，确定目标特性簇，将所述目标特性簇中的待识别负荷特性确定为异常负荷特性。

第二方面，本发明实施例还提供了一种负荷特性的异常识别装置，该装置包括：

负荷特性获取模块，用于获取预设的负荷特性识别周期内的待识别负荷特性；

类中心曲线确定模块，用于根据预设的聚类算法，将所述待识别负荷特性聚类为至少两个特性簇，确定所述特性簇的类中心曲线；

目标曲线确定模块，用于确定所述类中心曲线中是否存在满足预设的异常特性判断标准的目标曲线；

异常负荷特性确定模块，用于若所述类中心曲线中存在满足预设的异常特性判断标准的目标曲线，则根据所述目标曲线，确定目标特性簇，将所述目标特性簇中的待识别负荷特性确定为异常负荷特性。

第三方面，本申请实施例还提供了一种负荷特性的异常识别设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如本发明实施例中任一所述的负荷特性的异常识别方法。

第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如本发明实施例中任一所述的负荷特性的异常识别方法。

本申请实施例根据聚类算法对获取的待识别负荷特性进行聚类，确定聚类后的特性簇的类中心曲线；通过判断类中心曲线是否满足预设的异常特性判断标准的方式，确定异常负荷特性，解决现有技术中负荷特性提取不全面的问题，节约人力和时间，实现了对用户用电异常的负荷特性的获取，提高了用电特性的提取精度和效率。

附图说明

图1A是本申请实施例一中的一种负荷特性的异常识别方法的流程示意图；

图1B是本申请实施例一中的类中心曲线示意图；

图2是本申请实施例二中的一种负荷特性的异常识别方法的流程示意图；

图3是本发明实施例三中的一种负荷特性的异常识别装置的结构框图；

图4是本发明实施例四中的一种负荷特性的异常识别设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1A为本发明实施例一提供的一种负荷特性的异常识别方法的流程示意图，本实施例可适用于对用户用电负荷特性进行异常识别的情况，该方法可以由负荷特性的异常识别装置来执行，该装置可采用软件和/或硬件的方式实现。如图1A所示，该方法具体包括如下步骤：

S110、获取预设的负荷特性识别周期内的待识别负荷特性。

其中，待识别负荷特性可以是待识别功率特性或待识别电压特性等，待识别负荷特性可以以曲线的形式标识。负荷特性能够表征用户在一段时间周期内的用电情况，例如，用户在每日11:00-13:00为用电的高峰时段，在每日14:00-16:00为用户用电的低峰时段，用户每日用电的高峰时段与低峰时段可以作为用户用电的负荷特性。负荷特性识别周期可以由相关技术人员根据需求进行人为预设，例如可以是1年。

可以获取预设的负荷特性识别周期内，用户用电的待识别负荷特性。示例性的，若预设的负荷特性周期为1年，待识别负荷特性为待识别功率特性，则可以获取1年内用户用电的待识别功率特性。

需要说明的是，可以在预设的负荷特性识别周期内，人为获取用户在任意时段下的待识别负荷特性。例如，预设的待识别周期为1年，以2020-2021年为预设的负荷特性识别周期为例，可以人为手动获取用户在2020/01/21、2020/02/22、2020/03/15和2020/04/01等任意日期下用户的功率使用情况，作为用户用电的待识别负荷特性。

在一个可选实施例中，获取预设的负荷特性识别周期内的待识别负荷特性，包括：根据预设的负荷特性形成周期，生成候选负荷特性；将预设的负荷特性识别周期内的候选负荷特性确定为待识别负荷特性。

其中，负荷特性形成周期可以由相关技术人员进行提前预设，例如可以是24小时。示例性的，可以根据预设的负荷特性形成周期，设置采样周期，并根据采样周期，对负荷特性进行采样，其中，采样周期可以设置为15分钟。根据预设的负荷特性形成周期与采样周期确定采样点数量；根据各离散的采样点形成连续曲线，并将形成后的曲线作为候选负荷特性曲线；将预设的负荷特性识别周期内的候选负荷特性曲线确定为待识别负荷特性曲线。

示例性的，若采样周期设置为15分钟，负荷特性形成周期预设为24小时，以每日0点时刻作为负荷特性形成周期的起始时刻，以每日24点时刻作为负荷特性形成周期的结束时刻，从起始时刻开始，每15分钟对负荷特性进行一次采样，直到结束时刻结束采样，则在预设的负荷形成周期内可以确定96个离散的采样点。连接96个离散的采样点，形成连续曲线，并将形成后的连续曲线作为候选负荷特性曲线。将预设的负荷特性识别周期内的候选负荷特性曲线确定为待识别负荷特性曲线。例如，若预设的负荷特性识别周期为1年，则可以在所有的候选负荷特性曲线中确定365条待识别负荷特性曲线。

本可选实施例通过预设负荷形成周期，生成候选负荷特性的方式，将预设的负荷特性识别周期内的候选负荷特性确定为待识别负荷特性，实现了根据预设负荷形成周期，对待识别负荷特性的自动获取。通过设置采样周期，对负荷特性形成周期内的负荷特性进行周期性采样的方式，生成候选负荷特性曲线，提高了生成的候选负荷特性曲线的准确度，从而提高了待识别负荷特性曲线的准确度。

S120、根据预设的聚类算法，将待识别负荷特性聚类为至少两个特性簇，确定特性簇的类中心曲线。

其中，预设的聚类算法可以是K均值聚类算法(K-means clustering algorithm，K-means)、K-中心点聚类算法(K-mediods)或随机搜索聚类算法(CLARANS)等。特性簇中可以包括按照预设聚类规则进行聚类的至少一条待识别负荷特性曲线。其中，预设聚类规则可以由相关技术人员进行提前设定，例如，将预设的负荷特性识别周期内，待识别负荷特性曲线相似度较高的至少两个待识别负荷特性聚类为同一特性簇。可以通过判断预设的负荷特性识别周期内，各待识别负荷特性曲线之间的波峰或波谷的差值，对待识别负荷特性曲线进行相似度判断。具体可以是确定任意两条待识别负荷特性曲线的波峰值差值或波谷值差值，若波峰差值小于波峰差值阈值或波谷差值小于波谷差值阈值，则可以认为做差值比较的两条待识别负荷特性曲线相似度较高，满足预设聚类规则，并将其聚类为同一特性簇；若波峰差值大于波峰差值阈值或波谷差值大于波谷差值阈值，则可以认为做差值比较的两条待识别负荷特性曲线相似度较低，不满足预设聚类规则，不将这两条待识别负荷特性曲线聚类为同一特性簇。

根据预设的聚类算法，将待识别负荷特性曲线聚类为至少两个特性簇，其中，一个特性簇中包括至少一条待识别负荷特性曲线；根据各特性簇中的待识别负荷特性曲线，确定各特性簇对应的类中心曲线。类中心曲线可以是所属特性簇中位于各条待识别负荷特性曲线中间位置的待识别负荷特性曲线，也可以是根据所属特性簇中的各条待识别负荷特性曲线，计算得到采样点平均值，连接各采样点平均值，得到类中心曲线。特性簇的类中心曲线可以参见图1B所示，各特性簇对应的类中心曲线的波峰值、波谷值、波峰时间和波谷时间可以均不完全相同。例如，类中心曲线1与类中心曲线2的波峰与波谷相反，类中心曲线1的波峰值对应类中心曲线2的波谷值，类中心曲线2的波峰值对应类中心曲线1的波谷值。

S130、确定类中心曲线中是否存在满足预设的异常特性判断标准的目标曲线。

其中，异常特性判断标准可以由相关技术人员进行提前预设。例如，异常特性判断标准可以是类中心曲线的波峰时间大于波峰时间阈值或波谷时间大于波谷时间阈值；还可以是类中心曲线非周期性变化。其中，波峰时间阈值和波谷时间阈值可以由相关技术人员进行提前设定，例如，可以将波峰时间阈值设置为6个小时。示例性的，可以确定类中心曲线中是否存在波峰时间大于波峰时间阈值或波谷时间大于波谷时间阈值的目标曲线；还可以是确定类中心曲线中是否存在非周期性变化的目标曲线。

若存在满足预设的异常特性判断标准的类中心曲线，则该类中心曲线为目标曲线，目标曲线可以至少为一条。

还可以通过人为判断的方式，手动确定类中心曲线中满足预设的异常特性判断标准的目标曲线。参见图1B所示类中心曲线示意图，可以人为判断出，类中心曲线1与其他类中心曲线的波峰和波谷相反，则可以确定类中心曲线1为满足人为预设的异常特性判断标准的目标曲线。

需要说明的是，可以对每一条类中心曲线进行单独分析，确定各类中心曲线是否存在满足预设的异常特性判断标准的目标曲线。为提高类中心曲线中的目标曲线判断的准确度，还可以通过自动化的方式，对各类中心曲线之间进行相互比较，判断类中心曲线中是否存在满足预设的异常特性判断标准的目标曲线。

在一个可选实施例中，确定类中心曲线中是否存在满足预设的异常特性判断标准的目标曲线，包括：将任一类中心曲线确定为候选类中心曲线，确定所有类中心曲线的波峰时间和波谷时间；将候选类中心曲线的波峰时间和波谷时间与其他类中心曲线的波峰时间和波谷时间进行比较；其中，其他类中心曲线是除候选类中心曲线之外的类中心曲线；判断候选类中心曲线与其他类中心曲线的波峰时间差值，和/或候选类中心曲线与其他类中心曲线的波谷时间差值，是否满足预设的异常特性判断标准；若是，则确定候选类中心曲线为目标曲线。

具体的，将候选类中心曲线的波峰时间和波谷时间逐一与其他类中心曲线的波峰时间和波谷时间进行比较，判断候选类中心曲线与其他类中心曲线的波峰时间差值和/或波谷时间差值，是否满足预设的异常特性判断标准。其中，异常特性标准可以由相关技术人员进行设定。预设的异常特性判断标准可以是，候选类中心曲线与预设数量的其他类中心曲线相比，波峰时间差值均大于波峰差值阈值；也可以是候选类中心曲线与预设数量的其他类中心曲线相比，波谷时间差值均大于波谷差值阈值。其中，波峰差值阈值、波谷差值阈值和预设数量可以由相关技术人员进行提前设定，预设数量可以设置为小于且接近类中心曲线数量的值。例如，类中心曲线数量为10条，则预设数量可以设置为7条。

若候选类中心曲线与其他类中心曲线的波峰时间差值，和/或波谷时间差值，满足预设的异常特性判断标准，则确定候选类中心曲线为目标曲线，否则，确定类中心曲线为正常特性的类中心曲线。

示例性的，若类中心曲线数量为10条，预设数量为7条。则将候选类中心曲线与其他9条类中心曲线进行波峰时间的比较，和/或波谷时间的比较，确定波峰时间差值和/或波谷时间差值。若候选类中心曲线与7条或7条以上的其他类中心曲线相比，波峰时间差值均大于波峰时间阈值，则可以认为该候选类中心曲线为目标曲线。或者，候选类中心曲线与7条或7条以上的其他类中心曲线相比，波谷时间差值均大于波谷时间阈值，则可以认为该候选类中心曲线为目标曲线。

本可选实施方式中，通过将候选类中心曲线与其他类中心曲线的波峰时间和波谷时间进行比较的方式，确定波峰时间差值与波谷时间差值。通过判断候选类中心曲线与其他类中心曲线的波峰时间差值和/或波谷时间差值是否满足预设的异常特性判断标准的方式，实现了目标曲线的自动化确定，通过对所有候选类中心相互比较波峰时间或波谷时间的方式，提高了目标曲线确定的准确度，从而为后续更加准确的确定异常负荷特性提供便利。

在另一可选实施方式中，将任一类中心曲线确定为候选类中心曲线，确定所有类中心曲线的波峰值和波谷值；将候选类中心曲线的波峰值和波谷值与其他类中心曲线的波峰值和波谷值进行比较；判断候选类中心曲线与其他类中心曲线的波峰差值，和/或候选类中心曲线与其他类中心曲线的波谷差值，是否满足预设的异常特性判断标准；若是，则确定候选类中心曲线为目标曲线。其中，预设的异常特性判断标准可以包括，波峰差值大于波峰阈值，且满足波峰差值大于波峰阈值这一条件的其他类中心曲线的数量，超过预设数量，和/或波谷差值大于波谷阈值，且满足谷差值大于波谷阈值这一条件的其他类中心曲线的数量，超过预设数量。其中，波峰阈值和波谷阈值可以由相关技术人员进行提前设定。

在又一可选实施方式中，将任一类中心曲线确定为候选类中心曲线，确定所有类中心曲线的波峰生成周期和波谷生成周期；将候选类中心曲线的波峰生成周期和波谷生成周期与其他类中心曲线的波峰生成周期和波谷生成周期进行比较；判断候选类中心曲线与其他类中心曲线的波峰生成周期差值，和/或候选类中心曲线与其他类中心曲线的波谷生成周期差值，是否满足预设的异常特性判断标准；若是，则确定候选类中心曲线为目标曲线。其中，预设的异常特性判断标准可以包括，波峰生成周期差值大于波峰生成周期阈值，且满足波峰生成周期差值大于波峰生成周期阈值这一条件的其他类中心曲线的数量，超过预设数量，和/或波谷生成周期差值大于波谷生成周期阈值，且满足波谷生成周期差值大于波谷生成周期阈值这一条件的其他类中心曲线的数量，超过预设数量。其中，波峰生成周期阈值和波谷生成周期阈值可以由相关技术人员进行提前设定。

S140、若是，则根据目标曲线，确定目标特性簇，将目标特性簇中的待识别负荷特性确定为异常负荷特性。

其中，若类中心曲线中存在满足预设的异常特性判断标准的目标曲线，则根据目标曲线，可以确定目标曲线对应的目标特性簇，将目标特性簇中的至少一个待识别负荷特性确定为异常负荷特性。

若类中心曲线中不存在满足预设的异常特性判断标准的目标曲线，则可以认为在预设的负荷特性识别周期内，不存在异常负荷特性，任一待识别负荷特性均为正常的负荷特性。

需要说明的是，若类中心曲线中存在满足预设的异常特性判断标准的目标曲线，则根据目标曲线，确定目标特性簇，将目标特性簇中的待识别负荷特性确定为异常负荷特性之后，还可以对目标曲线进行进一步的记录或分析，例如，可以获取并具体分析异常负荷特性在各周期时间段内的用电情况和用电异常原因等，并可以对分析后的异常原因进行记录。

在一个可选实施方式中，在将目标特性簇中的待识别负荷特性确定为异常负荷特性之后，还包括：获取异常负荷特性的用电特征，将用电特征进行记录，供用户对异常负荷特性进行查看。

其中，用户的用电特征可以实时记录在数据库中，在确定异常负荷特性后，可以确定异常负荷特性的用户标识和时间等信息，获取该用户在异常时间下的用电特征。用电特征可以包括波峰值、波谷值、波峰时间、波谷时间、波峰生成周期和波谷生成周期等中的至少一种。可以对异常负荷特性的所属用户，进行实地用电调查，明确出现种异常的原因，并将用电特征进行记录，供用户对异常负荷特性进行查看。本可选实施例通过获取异常负荷特性的用电特征，将用电特征进行记录，供用户对异常负荷特性进行查看的方式，实现了对异常负荷特性的用电特征的记录，从而能够使得用户了解异常负荷的原因，同时，丰富了用户用电画线。

本申请实施例根据聚类算法对获取的待识别负荷特性进行聚类，确定聚类后的特性簇的类中心曲线；通过判断类中心曲线是否满足预设的异常特性判断标准的方式，确定异常负荷特性，解决现有技术中负荷特性提取不全面的问题，节约人力和时间，实现了对用户用电异常的负荷特性的获取，提高了用户特征的提取精度和效率。

实施例二

图2为本发明实施例二提供的一种负荷特性的异常识别方法的流程图，本实施例在上述各技术方案的基础上，进行了优化改进。

进一步的，将“根据预设的聚类算法，将所述待识别负荷特性聚类为至少两个特性簇”操作，细化为“确定所述待识别负荷特性的用电特征；其中，所述用电特征包括波峰值、波谷值、波峰时间、波谷时间、波峰生成周期和波谷生成周期；根据所述用电特征，基于预设的聚类算法，将所述待识别负荷特性进行聚类，得到至少两个特性簇。”以完善待识别负荷特性的聚类，提高异常负荷特性的识别效率和精度。

如图2所示，该方法包括以下具体步骤：

S210、获取预设的负荷特性识别周期内的待识别负荷特性。

S220、确定待识别负荷特性的用电特征；其中，用电特征包括波峰值、波谷值、波峰时间、波谷时间、波峰生成周期和波谷生成周期。

其中，可以通过人为手动确定的方式实现对待识别负荷特性的用电特征的确定，还可以从用户的用电特征数据库中自动获取用户的待识别负荷特性，根据待识别负荷特性曲线和曲线中各个点的数据，确定待识别负荷特性的用电特征。例如，可以确定曲线中波峰所在点的时间和波峰值。

S230、根据用电特征，基于预设的聚类算法，将待识别负荷特性进行聚类，得到至少两个特性簇。

其中，可以将波峰值和/或波谷值相接近的待识别负荷特性聚类为同一特性簇；波峰时间和/或波谷时间相接近的待识别负荷特性聚类为同一特性簇；波峰生成周期和/或波谷生成周期相接近的待识别负荷特性聚类为同一特性簇。例如，可以确定至少两条待识别特性的波峰值、波谷值、波峰时间、波谷时间、波峰生成周期和/或波谷生成周期，并确定至少两条待识别特性的波峰值差值、波谷值差值、波峰时间差值、波谷时间差值、波峰生成周期差值和/或波谷生成周期差值；将波峰差值小于波峰阈值、波谷差值小于波谷阈值、波峰时间差值小于波峰时间阈值、波谷时间差值小于波谷时间阈值、波峰生成周期差值小于波峰生成周期阈值和/或波谷生成周期差值小于波谷生成周期阈值的至少两条待识别特性聚类为同一特性簇。

在一可选实施方式中，根据所述用电特征，基于预设的聚类算法，将所述待识别负荷特性进行聚类，包括：根据用电特征，确定至少两条待识别负荷特性的相似度；根据预设的聚类算法，将相似度满足预设聚类条件的待识别负荷特性进行聚类。

示例性的，可以通过人为比较的方式，确定至少两条待识别负荷特性的相似度。例如可以是通过人为手动比较待识别负荷特性的波峰值、波谷值、波峰时间、波谷时间、波峰生成周期和波谷生成周期之间的差异性，从而确定至少两条待识别负荷特性的相似度。

还可以通过自动化方式确定至少两条待识别负荷特性的相似度。例如，可以预先构建并训练相似度神经网络模型，通过输入待识别负荷特性的波峰值、波谷值、波峰时间、波谷时间、波峰生成周期和波谷生成周期，根据预先训练好的相似度神经网络模型，输出各待识别负荷特性对应的相似度数值。根据预设的聚类算法，将相似度满足预设聚类条件的待识别负荷特性进行聚类。其中，预设聚类条件可以是待识别负荷特性的相似度数值在预设的相似度阈值范围内，则认为待识别负荷特性的相似度数值相接近。若待识别负荷特性的相似度数值相接近，则可以认为相似度数值相接近的至少两条待识别负荷特性曲线的相似度高；若待识别负荷特性的相似度数值不接近，则可以认为相似度数值不接近的至少两条待识别负荷特性曲线的相似度低。例如，可以将相似度高的至少两条待识别负荷特性曲线进行聚类。本可选实施例根据用电特性，确定至少两条待识别负荷特性的相似度；通过预设的聚类算法，对相似度满足预设聚类条件的待识别负荷特性进行聚类，提高了对待识别负荷特性聚类的准确度，从而提高了聚类后的特性簇对应的类中心曲线的准确度。

S240、确定特性簇的类中心曲线。

S250、确定类中心曲线中是否存在满足预设的异常特性判断标准的目标曲线。

S260、若是，则根据目标曲线，确定目标特性簇，将目标特性簇中的待识别负荷特性确定为异常负荷特性。

本实施例方案根据确定待识别负荷特性的用电特征，基于预设的聚类算法，对待识别负荷特性进行聚类，提高了待识别负荷特性聚类的准确度。根据聚类后的待识别负荷特性，确定至少两个特性簇，实现了对特性簇的准确获取，提高了确定各特性簇对应类中心曲线的准确度和效率，为后续异常负荷特性的准确判断奠定基础。

实施例三

图3为本发明实施例三提供的一种负荷特性的异常识别装置的结构示意图。本发明实施例所提供的一种负荷特性的异常识别装置可执行本发明任意实施例所提供的一种负荷特性的异常识别方法，具备执行方法相应的功能模块和有益效果。该装置可采用软件和/或硬件的方式实现。如图3所示，该装置具体包括：

负荷特性获取模块301，用于获取预设的负荷特性识别周期内的待识别负荷特性；

类中心曲线确定模块302，用于根据预设的聚类算法，将所述待识别负荷特性聚类为至少两个特性簇，确定所述特性簇的类中心曲线；

目标曲线确定模块303，用于确定所述类中心曲线中是否存在满足预设的异常特性判断标准的目标曲线；

异常负荷特性确定模块304，用于若所述类中心曲线中存在满足预设的异常特性判断标准的目标曲线，则根据所述目标曲线，确定目标特性簇，将所述目标特性簇中的待识别负荷特性确定为异常负荷特性。

本申请实施例根据聚类算法对获取的待识别负荷特性进行聚类，确定聚类后的特性簇的类中心曲线；通过判断类中心曲线是否满足预设的异常特性判断标准的方式，确定异常负荷特性，解决现有技术中负荷特性提取不全面的问题，节约人力和时间，实现了对用户用电异常的负荷特性的获取提高了用户特征的提取精度和效率。

可选的，负荷特性获取模块301，包括：

候选负荷特性生成单元，用于根据预设的负荷特性形成周期，生成候选负荷特性；

负荷特性确定单元，用于将预设的负荷特性识别周期内的候选负荷特性确定为待识别负荷特性。

可选的，类中心曲线确定模块302，包括：

用电特性确定单元，用于确定所述待识别负荷特性的用电特征；其中，所述用电特征包括波峰值、波谷值、波峰时间、波谷时间、波峰生成周期和波谷生成周期；

负荷特性聚类单元，用于根据所述用电特征，基于预设的聚类算法，将所述待识别负荷特性进行聚类，得到至少两个特性簇。

可选的，负荷特性聚类单元，具体用于：

根据所述用电特征，确定至少两条待识别负荷特性的相似度；

根据预设的聚类算法，将所述相似度满足预设聚类条件的待识别负荷特性进行聚类。

可选的，目标曲线确定模块303，包括：

时间确定单元，用于将任一类中心曲线确定为候选类中心曲线，确定所有类中心曲线的波峰时间和波谷时间；

时间比较单元，用于将所述候选类中心曲线的波峰时间和波谷时间与其他类中心曲线的波峰时间和波谷时间进行比较；其中，所述其他类中心曲线是除候选类中心曲线之外的类中心曲线；

差值判断单元，用于判断所述候选类中心曲线与其他类中心曲线的波峰时间差值，和/或所述候选类中心曲线与其他类中心曲线的波谷时间差值，是否满足预设的异常特性判断标准；

目标曲线确定单元，用于若所述候选类中心曲线与其他类中心曲线的波峰时间差值，和/或所述候选类中心曲线与其他类中心曲线的波谷时间差值，满足预设的异常特性判断标准，则确定所述候选类中心曲线为目标曲线。

可选的，该装置，还包括：

用电特征记录模块，用于在将所述目标特性簇中的待识别负荷特性确定为异常负荷特性之后，获取所述异常负荷特性的用电特征，将所述用电特征进行记录，供用户对异常负荷特性进行查看。

上述负荷特性的异常识别装置可执行本申请任意实施例所提供的负荷特性的异常识别方法，具备执行各负荷特性的异常识别方法相应的功能模块和有益效果。

实施例四

图4是本发明实施例四提供的一种负荷特性的异常识别的结构示意图。负荷特性的异常识别的设备是一种电子设备，图4示出了适于用来实现本发明实施方式的示例性电子设备400的框图。图4显示的电子设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。

总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。电子设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。

电子设备400也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且，电子设备400还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器412通过总线403与电子设备400的其它模块通信。应当明白，尽管图4中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种负荷特性的异常识别的方法。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种负荷特性的异常识别方法，包括：

获取预设的负荷特性识别周期内的待识别负荷特性；

根据预设的聚类算法，将所述待识别负荷特性聚类为至少两个特性簇，确定所述特性簇的类中心曲线；

确定所述类中心曲线中是否存在满足预设的异常特性判断标准的目标曲线；

若是，则根据所述目标曲线，确定目标特性簇，将所述目标特性簇中的待识别负荷特性确定为异常负荷特性。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种负荷特性的异常识别方法，其特征在于，包括：

获取预设的负荷特性识别周期内的待识别负荷特性；

根据预设的聚类算法，将所述待识别负荷特性聚类为至少两个特性簇，确定所述特性簇的类中心曲线；

确定所述类中心曲线中是否存在满足预设的异常特性判断标准的目标曲线；

若是，则根据所述目标曲线，确定目标特性簇，将所述目标特性簇中的待识别负荷特性确定为异常负荷特性。

2.根据权利要求1所述的负荷特性的异常识别方法，其特征在于，获取预设的负荷特性识别周期内的待识别负荷特性，包括：

根据预设的负荷特性形成周期，生成候选负荷特性；

将预设的负荷特性识别周期内的候选负荷特性确定为待识别负荷特性。

3.根据权利要求1所述的负荷特性的异常识别方法，其特征在于，根据预设的聚类算法，将所述待识别负荷特性聚类为至少两个特性簇，包括：

确定所述待识别负荷特性的用电特征；其中，所述用电特征包括波峰值、波谷值、波峰时间、波谷时间、波峰生成周期和波谷生成周期；

根据所述用电特征，基于预设的聚类算法，将所述待识别负荷特性进行聚类，得到至少两个特性簇。

4.根据权利要求3所述的负荷特性的异常识别方法，其特征在于，根据所述用电特征，基于预设的聚类算法，将所述待识别负荷特性进行聚类，包括：

根据所述用电特征，确定至少两条待识别负荷特性的相似度；

根据预设的聚类算法，将所述相似度满足预设聚类条件的待识别负荷特性进行聚类。

5.根据权利要求1所述的负荷特性的异常识别方法，其特征在于，确定所述类中心曲线中是否存在满足预设的异常特性判断标准的目标曲线，包括：

将任一类中心曲线确定为候选类中心曲线，确定所有类中心曲线的波峰时间和波谷时间；

将所述候选类中心曲线的波峰时间和波谷时间与其他类中心曲线的波峰时间和波谷时间进行比较；其中，所述其他类中心曲线是除候选类中心曲线之外的类中心曲线；

判断所述候选类中心曲线与其他类中心曲线的波峰时间差值，和/或所述候选类中心曲线与其他类中心曲线的波谷时间差值，是否满足预设的异常特性判断标准；

若是，则确定所述候选类中心曲线为目标曲线。

6.根据权利要求1所述的负荷特性的异常识别方法，其特征在于，在将所述目标特性簇中的待识别负荷特性确定为异常负荷特性之后，还包括：

获取所述异常负荷特性的用电特征，将所述用电特征进行记录，供用户对异常负荷特性进行查看。

7.一种负荷特性的异常识别装置，其特征在于，包括：

负荷特性获取模块，用于获取预设的负荷特性识别周期内的待识别负荷特性；

类中心曲线确定模块，用于根据预设的聚类算法，将所述待识别负荷特性聚类为至少两个特性簇，确定所述特性簇的类中心曲线；

目标曲线确定模块，用于确定所述类中心曲线中是否存在满足预设的异常特性判断标准的目标曲线；

异常负荷特性确定模块，用于若所述类中心曲线中存在满足预设的异常特性判断标准的目标曲线，则根据所述目标曲线，确定目标特性簇，将所述目标特性簇中的待识别负荷特性确定为异常负荷特性。

8.根据权利要求7所述的负荷特性的异常识别装置，其特征在于，所述负荷特性获取模块包括：

候选负荷特性生成单元，用于根据预设的负荷特性形成周期，生成候选负荷特性；

负荷特性确定单元，用于将预设的负荷特性识别周期内的候选负荷特性确定为待识别负荷特性。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一所述的负荷特性的异常识别方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的负荷特性的异常识别方法。

Images