CN118094262A - 一种基于空间聚类的负荷异常值检测方法 - Google Patents

Abstract

本发明涉及负荷异常检测技术领域，具体公开一种基于空间聚类的负荷异常值检测方法，该方法包括：通过数据统计分析得到各负荷监测区域的空间特性参量和负荷监测时间点的时间特性参量，并处理得到各负荷监测区域的区域特征向量可行域，根据各负荷监测区域的区域特征向量可行域匹配得到各负荷监测区域的负荷异常评估阈值，对各负荷监测区域的负荷异常进行评估。本发明根据负荷的空间特征和时间特征进行聚类分析，针对各个区域的特异性设定阈值，能够更好地反映各区域负荷的个体差异，提高异常评估的针对性，有利于识别出区域特有的异常模式，为负荷异常的精细化管理和针对性干预提供有力支持。

Description

一种基于空间聚类的负荷异常值检测方法

技术领域

本发明涉及负荷异常检测技术领域，具体为一种基于空间聚类的负荷异常值检测方法。

背景技术

随着物联网、智能电网、建筑自动化等技术的发展，电力系统、工业设施乃至建筑物内部的能源消耗数据得以实时采集与传输，这些海量数据蕴含了丰富的负荷行为模式和潜在异常信息。为了提升能源管理效率、保障系统稳定运行、预防故障发生并及时响应异常事件，行业对精准、高效、自动化的负荷异常检测技术的需求日益增长。因此需要提供一种基于空间聚类的负荷异常值检测方法，实现对异常数据的早期预警与精准定位。

例如公告号为CN109840312B的发明专利，为一种锅炉负荷率-能效曲线的异常值检测方法和装置，该方法包括：S1：获取锅炉运行中的负荷率-能效数据集；S2：通过交叉验证法计算所述负荷率-能效数据集中误差值数组；S3：根据预设异常评判准则从误差值数组中确定异常值。同时，本发明还公开了一种锅炉负荷率-能效曲线的异常值检测装置，该装置包括：数据获取模块、误差计算模块和异常确定模块。本发明通过采用交叉验证可以减少由于训练集选取片面所导致的学习结果分布有偏差的问题，从而减少了异常值对回归器造成的影响，进而更加准确有效地检测出负荷率-能效曲线中的异常点。

例如公告号为CN112733417B的发明专利，为一种基于模型优化的异常负荷数据检测与修正方法和系统，该系统包括负荷数据预处理器、异常负荷数据检测器、异常负荷数据修正器，负荷数据处理器与异常负荷数据检测器连接，异常负荷数据检测器与异常负荷数据修正器连接，本发明方法采用基因表达式编程对SVDD算法进行参数优化，利用最优参数建立的SVDD模型进行异常负荷数据检测，随后利用深度长短时记忆网络进行负荷预测，并将预测负荷值作为异常数据的替代值。该方法用于电网异常负荷处理，通过本发明中的方法，可以较为准确的检测出用电负荷中的异常负荷数据，这将有利于精确负荷预测、计划用电管理、制定合理的电源建设规划，有利于提高电力系统的经济效益和社会效益。

基于上述方案发现，目前对负荷异常检测方面还存在一些不足，具体体现在对负荷数据时空特性的忽视，传统的阈值法、统计模型等异常检测方法难以充分捕捉这些复杂的时空关联性，对负荷异常的监测结果不够精确。

发明内容

针对现有技术的不足，本发明提供了一种基于空间聚类的负荷异常值检测方法，能够有效解决上述背景技术中涉及的问题。

为实现以上目的，本发明通过以下技术方案予以实现：本发明提供了一种基于空间聚类的负荷异常值检测方法，包括：对电力负荷监控地区进行区域划分，标记为各负荷监测区域，通过数据统计分析得到第一数据，所述第一数据包括各负荷监测区域的空间特性参量和负荷监测时间点的时间特性参量；获取各负荷监测区域的负荷异常评估阈值，并对各负荷监测区域的第一数据进行监测，分析得到各负荷监测区域的负荷异常评估值；根据各负荷监测区域的负荷异常评估阈值和各负荷监测区域的负荷异常评估值，对各负荷监测区域的负荷异常进行评估，并根据得到的评估结果进行预警反馈。

上述方案中，所述各负荷监测区域的负荷异常评估阈值，具体通过将各负荷监测区域的空间特性参量和负荷监测时间点的时间特性参量联合处理得到各负荷监测区域的区域特征向量及区域特征向量可行域，并匹配得到各负荷监测区域的负荷异常评估阈值。

上述方案中，所述将各负荷监测区域的空间特性参量和负荷监测时间点的时间特性参量联合处理得到各负荷监测区域的区域特征向量及区域特征向量可行域，并匹配得到各负荷监测区域的负荷异常评估阈值，具体包括：以各负荷监测区域的空间特性参量作为纵轴变量，以负荷监测时间点的时间特性参量作为横轴变量，将两个数值变量合并为一个二维向量，得到各负荷监测区域的区域特征向量，/>，其中，/>表示第i个负荷监测区域的区域特征向量，/>表示第i个负荷监测区域的空间特性参量，/>表示负荷监测时间点的时间特性参量，i表示各负荷监测区域的编号，/>，n表示负荷监测区域的总数；根据预设的空间特性参量间隔和时间特性参量间隔分别对空间特性参量取值范围和时间特性参量取值范围进行等距划分，得到若干空间特性参量区间和时间特性参量区间；定位各负荷监测区域的空间特性参量所属空间特性参量区间和负荷监测时间点的时间特性参量所属时间特性参量区间，经处理得到各负荷监测区域的区域特征向量可行域；将各负荷监测区域的区域特征向量可行域与负荷异常检测数据库中存储的各区域特征向量可行域对应的负荷异常评估阈值进行匹配，得到各负荷监测区域的负荷异常评估阈值。

上述方案中，所述分析得到各负荷监测区域的负荷异常评估值，具体分析过程为：部署若干筛查时间点，采集各负荷监测区域的各筛查时间点的负荷值，并获取各负荷监测区域的覆盖面积，综合分析得到各负荷监测区域的负荷异常评估值。

上述方案中，所述对各负荷监测区域的负荷异常进行评估，并根据得到的评估结果进行预警反馈，具体为：将各负荷监测区域的负荷异常评估值分别与各负荷监测区域的负荷异常评估阈值进行比对，若某负荷监测区域的负荷异常评估值大于或等于该负荷监测区域的负荷异常评估阈值，则将该负荷监测区域评估为负荷异常区域，并将评估结果进行预警反馈。

作为进一步的方法，所述各负荷监测区域的空间特性参量，是通过对各负荷监测区域的地理空间特征值和输电线路长度进行综合分析得到的量化评估值，用于量化评估各负荷监测区域的空间特征对负荷数据的影响。

作为进一步的方法，所述各负荷监测区域的空间特性参量，具体数值表达式为：

式中，表示第i个负荷监测区域的空间特性参量，/>表示第i个负荷监测区域的地理空间特征值，/>表示第i个负荷监测区域的输电线路长度，/>表示参照输电线路长度，表示设定的地理空间特征值对应的空间特性参量影响因子，/>表示设定的输电线路长度对应的空间特性参量影响因子，i表示各负荷监测区域的编号，/>，n表示负荷监测区域的总数。

作为进一步的方法，所述负荷监测时间点的时间特性参量，是通过对负荷监测时间点的时间段属性量化值和时间序列位置特征量化值进行分析得到的量化指标，用于量化评估负荷监测时间点的时间特征对负荷数据的影响。

作为进一步的方法，所述负荷监测时间点的时间特性参量，具体数值表达式为：

式中，表示负荷监测时间点的时间特性参量，/>表示负荷监测时间点的时间段属性量化值，/>表示负荷监测时间点的时间序列位置特征量化值，/>表示设定的时间段属性量化值对应的时间特性参量影响因子，/>表示设定的时间序列位置特征量化值对应的时间特性参量影响因子。

相对于现有技术，本发明的实施例至少具有如下优点或有益效果：

（1）本发明通过提供一种基于空间聚类的负荷异常值检测方法，根据负荷的空间特征和时间特征进行聚类分析，针对各个区域的特异性设定阈值，能够更好地反映各区域负荷的个体差异，提高异常评估的针对性，有利于识别出区域特有的异常模式，为负荷异常的精细化管理和针对性干预提供有力支持。

（2）本发明通过对电力负荷监控地区进行区域划分，不仅有助于构建起层次分明、适应性强的电力负荷监测网络，还可以为及时发现并定位负荷异常、优化电力资源配置、保障电网安全稳定运行提供强有力的数据支持。

（3）本发明通过对负荷监测区域的建筑物个数和各建筑物高度进行统计分析，根据建筑密度和高度分布设置合理的负荷阈值，可以提高负荷异常检测的精确性，同时结合时空数据分析建筑物高度和个数在空间上的分布与负荷异常事件的空间分布是否一致，有助于发现负荷异常的地域聚集现象。

（4）本发明通过各负荷监测区域的时间特征和空间特征确定负荷异常评估阈值，能够根据数据点在多维空间中的密度分布进行聚类，有效揭示负荷数据内在的时空结构和模式，从而更准确地识别出那些与正常模式显著偏离的异常负荷现象，实现阈值的自动更新与动态调整，始终保持异常评估的时效性和有效性。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为本发明的方法流程示意图。

图2为本发明的负荷监测区域的区域特征向量关系示意图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，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他实施例，都属于本发明保护的范围。

参照图1所示，本发明提供了一种基于空间聚类的负荷异常值检测方法，包括：对电力负荷监控地区进行区域划分，标记为各负荷监测区域，通过数据统计分析得到各负荷监测区域的空间特性参量和负荷监测时间点的时间特性参量。

应理解的是，本实施例中为实现精细化管理和有效识别电力负荷异常情况，采取以设定半径为基础的方法，对电力负荷监控地区进行科学合理的区域划分，确保每个划分后的子区域在电力负荷特性、供电设施布局、用户用电行为等方面具有相对的同质性，从而提高异常检测的准确性与响应效率。

在一个具体的实施例中，根据设定半径对电力负荷监控地区进行区域划分。首先，设定半径的选择要充分考虑监控地区的地理特征，如城市规划、地形地貌、人口密度等，确保所设定的半径既能覆盖足够的电力用户，形成具有代表性的负荷数据样本，又能兼顾到区域内电网结构的连通性和复杂性，避免因半径过大导致负荷特性过于分散，或过小导致监测区域过于琐碎，增加管理难度。同时，设定半径还应参考历史电力负荷数据的波动规律以及已知的异常模式，确保划分出的区域在正常负荷条件下具有相对稳定的负荷水平和负荷曲线形态，以便于后续通过对比分析快速识别异常变化。

在确定适宜的设定半径后，如本示例实施例的设定半径为200米，随后采用地理信息系统（GIS）技术，结合电力设施分布图、用户地理位置信息等多元数据，精确地按照200米对电力负荷监控地区进行网格化划分。每个划分出的子区域将作为一个独立的监测单元，确保得到的子区域边界清晰、范围明确，便于进行数据采集、分析及异常报警。同时为提升区域划分的针对性与实用性，还需要根据各子区域的具体情况，如重要用户的分布、特殊用电时段、季节性负荷变化等因素，进行动态调整或精细化细分。例如，对于包含大型工业用户、商业中心或者居民密集区的子区域，可能需要适当缩小半径，以更精确地捕捉这些关键负荷点的异常变化；而对于负荷相对稳定、用户类型单一的区域，则可保持较大的半径，以简化监控工作，本示例实施例对此不做特殊限定。

在一个具体的实施例中，通过对电力负荷监控地区进行区域划分，不仅有助于构建起层次分明、适应性强的电力负荷监测网络，还可以为及时发现并定位负荷异常、优化电力资源配置、保障电网安全稳定运行提供强有力的数据支持。

具体地，各负荷监测区域的空间特性参量，具体分析过程为：从地区电力云服务器中获取各负荷监测区域的空间特征数据和负荷监测时间点的时间特征数据。

根据各负荷监测区域的空间特征数据，包括各负荷监测区域的建筑物个数、各建筑物高度和单位时间内流动人口数，经处理得到各负荷监测区域的地理空间特征值。

应理解的是，本实施例中统计各负荷监测区域的建筑物个数和各建筑物高度，建筑物个数可以反映负荷监测区域内的建筑密集程度，间接表示潜在的用电需求规模。建筑密度高的区域通常意味着更高的总负荷水平和更复杂的负荷分布特性。统计建筑物个数有助于评估区域负荷密度，为负荷预测模型提供基础数据，并有助于识别可能的高负荷热点区域。建筑物高度往往与建筑功能、人口密度、商业活动强度等因素相关，这些因素直接影响电力消耗。通过统计各建筑物高度，可以探究建筑物高度分布与区域负荷总量或负荷密度之间的关系，分析是否存在某种高度范围内的建筑物对区域负荷异常更为敏感或易发。根据建筑密度和高度分布设置合理的负荷阈值，当实际负荷超出预期范围时触发警报，可以提高负荷异常检测的精确性，同时结合时空数据（如GIS信息），分析建筑物高度和个数在空间上的分布与负荷异常事件的空间分布是否一致，有助于发现负荷异常的地域聚集现象。

应理解的是，本实施例中统计各负荷监测区域的单位时间内流动人口数，流动人口的数量变化会影响区域内居民生活用电、商业活动用电以及公共服务设施的负荷需求。实时或定期统计单位时间（如小时、日、周）的流动人口数量，可以更准确地预测负荷曲线，特别是在节假日、大型活动期间或季节性流动人口高峰时段，有助于减少预测误差。同时，分析流动人口与负荷数据的相关性，可以揭示特定区域的负荷波动模式。例如，商业区可能在工作日白天和周末夜晚由于流动人口的不同构成（上班族与消费者）呈现出不同的负荷特征。这些模式有助于建立更为精细的负荷分类模型，提高异常监测的针对性。

本实施例中统计单位时间内流动人口数，其中单位时间可以根据电力负荷数据采集频率确定，负荷监测系统通常以一定的频率（如每5分钟、每小时、每天）收集电力负荷数据，单位时间应与数据采集频率相匹配，以便直接对应分析。单位时间也可以通过人口流动特性确定，人口流动往往具有明显的周期性，如日间与夜间的差异、工作日与休息日的区别、节假日与非节假日的差别等。因此，单位时间可以选择与人口流动规律相符的时间段，如小时、半天（上午/下午）、全天等。

应理解的是，本实施例中各负荷监测区域的地理空间特征值，是通过对各负荷监测区域的建筑物个数、各建筑物高度和单位时间内流动人口数进行分析得到的量化指标，用于量化评估各负荷监测区域的地理空间特征，为各负荷监测区域的空间特性分析提供数据支持。

在一个具体的实施例中，各负荷监测区域的地理空间特征值，具体数值表达式为：

式中，表示第i个负荷监测区域的地理空间特征值，/>表示第i个负荷监测区域的单位时间内流动人口数，/>表示第i个负荷监测区域的建筑物个数，/>表示第i个负荷监测区域的第t个建筑物高度，/>表示预设的参照单位时间内流动人口数，/>表示预设的参照建筑物高度，/>表示设定的流动人口数对应的地理空间特征影响因子，/>表示设定的建筑物高度对应的地理空间特征影响因子，i表示各负荷监测区域的编号，/>，n表示负荷监测区域的总数，t表示各建筑物的编号，/>，s表示建筑物的总数。

在一个具体的实施例中，各负荷监测区域的地理空间特征值不仅可以通过以上计算方式得到，也可以通过解译高分辨率遥感影像，提取建筑物分布、建筑面积、屋顶面积、绿地比例、水面覆盖等空间特征，分析这些参数与电力负荷存在的显著关联，还可以通过利用监督或无监督学习方法（如随机森林、支持向量机、卷积神经网络等）训练模型，从大量历史数据中学习负荷与地理空间变量的非线性关系，预测空间特征值，得到各负荷监测区域的地理空间特征值。

采集各负荷监测区域的输电线路长度，并从负荷异常检测数据库中获取参照输电线路长度，综合分析得到各负荷监测区域的空间特性参量。

具体地，各负荷监测区域的空间特性参量，是通过对各负荷监测区域的地理空间特征值和输电线路长度进行综合分析得到的量化评估值，用于量化评估各负荷监测区域的空间特征对负荷数据的影响，为确定各负荷监测区域的负荷异常评估阈值提供数据依据。

进一步地，各负荷监测区域的空间特性参量，具体数值表达式为：

式中，表示第i个负荷监测区域的空间特性参量，/>表示第i个负荷监测区域的地理空间特征值，/>表示第i个负荷监测区域的输电线路长度，/>表示参照输电线路长度，表示设定的地理空间特征值对应的空间特性参量影响因子，/>表示设定的输电线路长度对应的空间特性参量影响因子，i表示各负荷监测区域的编号，/>，n表示负荷监测区域的总数。

在一个具体的实施例中，各负荷监测区域的空间特性参量不仅可以通过以上计算方式得到，也可以通过对于配电网，考虑线路的物理连接关系和电能传输特性，通过网络分析计算节点间的负荷转移、潮流分布以及关键节点的负荷贡献，分析网络拓扑结构对负荷分布的影响，识别关键线路和节点，评估其对整体负荷空间特征的重要性，还可以通过应用空间自相关分析（如Moran's I指数）来衡量负荷数据在空间上的聚集程度和分布模式，识别负荷高值或低值区域的空间集群现象，进行空间回归分析，探究负荷与各种空间变量（如人口密度、建筑物类型、气候条件等）之间的定量关系，估计空间异质性对负荷的影响，综合分析得到各负荷监测区域的空间特性参量。

应理解的是，本实施例中对各负荷监测区域的输电线路长度进行分析，输电线路长度直接影响电能传输过程中的电阻损耗，长线路区域的负荷异常可能部分源于电能传输损耗增大导致的实际供电能力下降，通过分析线路长度与负荷的关系，有助于判断损耗因素是否对异常值产生影响。同时，线路长度反映了电力资源从发电站到负荷中心的输送路径。过长的线路可能导致局部负荷分配不均衡，增加系统运行成本。对线路长度的分析有助于评估负荷分配策略的合理性，当发现某区域负荷异常时，可检查是否存在因线路布局不合理导致的局部供电不足或过剩问题。

具体地，负荷监测时间点的时间特性参量，具体分析过程为：根据负荷监测时间点的时间特征数据，包括负荷监测时间点的时间段属性量化值和时间序列位置特征量化值，综合分析得到负荷监测时间点的时间特性参量。

应理解的是，本实施例中时间段属性量化值是通过对当前负荷监测时间点所属时间段特征进行量化得到的特征量化值，具体量化过程为：对负荷监测时间点所属时间段是否是工作日进行判断，若负荷监测时间点所属时间段是工作日，则获取预设的工作日负荷影响因子，并根据当前负荷监测时间点距离上一个节假日节点的时间长度，匹配得到工作日负荷修正因子，将工作日负荷影响因子与工作日负荷修正因子进行乘积运算，得到负荷监测时间点的时间段属性量化值；若负荷监测时间点所属时间段是节假日，则获取预设的节假日负荷影响因子，并根据当前负荷监测时间点距离上一个工作日节点的时间长度，匹配得到节假日负荷修正因子，将节假日负荷影响因子与节假日负荷修正因子进行乘积运算，得到负荷监测时间点的时间段属性量化值。

应理解的是，本实施例中将当前负荷监测时间点距离上一个节假日节点的时间长度与预设的工作日时间间隔区间对应的工作日负荷修正因子进行匹配，得到该工作日时间间隔对应的工作日负荷修正因子，其中工作日时间间隔是指当前负荷监测时间点距离上一个节假日节点的时间长度。

应理解的是，本实施例中将当前负荷监测时间点距离上一个工作日节点的时间长度与预设的节假日时间间隔区间对应的节假日负荷修正因子进行匹配，得到该节假日时间间隔对应的节假日负荷修正因子，其中节假日时间间隔是指当前负荷监测时间点距离上一个工作日节点的时间长度。

应理解的是，本实施例中时间序列位置特征量化值是通过对当前负荷监测时间点在时间序列中的相对位置进行量化得到的特征量化值，其中时间序列是根据电力负荷随时间波动规律进行划分的时间周期。负荷监测时间点的时间序列位置特征量化值，可以根据负荷监测时间点所属时间周期的累计负荷监测次数进行量化，也可以根据负荷监测时间点在时间序列中的比例位置进行量化，通过将负荷监测时间点所属时间周期的时间序列长度视为100%，计算该时间点在整个序列中所占的比例，通常取值范围在0%到100%之间。

具体地，负荷监测时间点的时间特性参量，是通过对负荷监测时间点的时间段属性量化值和时间序列位置特征量化值进行分析得到的量化指标，用于量化评估负荷监测时间点的时间特征对负荷数据的影响，为确定各负荷监测区域的负荷异常评估阈值提供数据依据。

进一步地，负荷监测时间点的时间特性参量，具体数值表达式为：

式中，表示负荷监测时间点的时间特性参量，/>表示负荷监测时间点的时间段属性量化值，/>表示负荷监测时间点的时间序列位置特征量化值，/>表示设定的时间段属性量化值对应的时间特性参量影响因子，/>表示设定的时间序列位置特征量化值对应的时间特性参量影响因子。

在一个具体的实施例中，负荷监测时间点的时间特性参量不仅可以通过以上计算方式得到，也可以通过对历史负荷数据进行时间序列建模，如ARIMA、季节性分解（如STL）、状态空间模型等，以揭示负荷随时间变化的基本趋势、周期性、季节性、节假日效应等特征，计算时间序列的统计指标，如均值、方差、峰谷比、偏斜度、自相关函数（ACF）、偏自相关函数（PACF）等，以量化负荷波动的稳定性和规律性，还可以通过定义并识别对负荷有显著影响的事件（如停电、检修、政策变动、天气变化等），在时间序列中标记这些事件的发生时刻和持续时间，计算事件前后负荷变化的统计指标，评估事件对负荷波动的影响程度和持续时间，综合分析得到负荷监测时间点的时间特性参量。

将各负荷监测区域的空间特性参量和负荷监测时间点的时间特性参量联合处理得到各负荷监测区域的区域特征向量，并处理得到各负荷监测区域的区域特征向量可行域，匹配得到各负荷监测区域的负荷异常评估阈值。

对各负荷监测区域的负荷数据进行监测，分析得到各负荷监测区域的负荷异常评估值。

具体地，将各负荷监测区域的空间特性参量和负荷监测时间点的时间特性参量联合处理得到各负荷监测区域的区域特征向量，并处理得到各负荷监测区域的区域特征向量可行域，匹配得到各负荷监测区域的负荷异常评估阈值，具体分析过程为：以各负荷监测区域的空间特性参量作为纵轴变量，以负荷监测时间点的时间特性参量作为横轴变量，将两个数值变量合并为一个二维向量，得到各负荷监测区域的区域特征向量，/>，其中，/>表示第i个负荷监测区域的区域特征向量，/>表示第i个负荷监测区域的空间特性参量，/>表示负荷监测时间点的时间特性参量，i表示各负荷监测区域的编号，/>，n表示负荷监测区域的总数。

根据预设的空间特性参量间隔和时间特性参量间隔分别对空间特性参量取值范围和时间特性参量取值范围进行等距划分，得到若干空间特性参量区间和时间特性参量区间。

定位各负荷监测区域的空间特性参量所属空间特性参量区间和负荷监测时间点的时间特性参量所属时间特性参量区间，经处理得到各负荷监测区域的区域特征向量可行域。

在一个具体的实施例中，某一个负荷监测区域的区域特征向量如图2所示，其中d1表示预设的空间特性参量间隔，d2表示预设的时间特性参量间隔。

将各负荷监测区域的区域特征向量可行域与负荷异常检测数据库中存储的各区域特征向量可行域对应的负荷异常评估阈值进行匹配，得到各负荷监测区域的负荷异常评估阈值。

在一个具体的实施例中，通过各负荷监测区域的时间特征和空间特征确定负荷异常评估阈值，能够根据数据点在多维空间中的密度分布进行聚类，有效揭示负荷数据内在的时空结构和模式，从而更准确地识别出那些与正常模式显著偏离的异常负荷现象。时间特征随时间推移而变化，空间特征也可能随着电网结构、用户行为等因素的变化而演变。利用这些动态特征设定的阈值能够适应负荷特性的变化，实现阈值的自动更新与动态调整，始终保持异常评估的时效性和有效性。同时，不同负荷监测区域可能具有不同的时间模式和空间关联性，针对各个区域的特异性设定阈值，能够更好地反映各区域负荷的个体差异，提高异常评估的针对性。这有利于识别出区域特有的异常模式，为负荷异常的精细化管理和针对性干预提供有力支持。

具体地，分析得到各负荷监测区域的负荷异常评估值，具体分析过程为：部署若干筛查时间点，采集各负荷监测区域的各筛查时间点的负荷值，并获取各负荷监测区域的覆盖面积，综合分析得到各负荷监测区域的负荷异常评估值。

应理解的是，各负荷监测区域的负荷异常评估值，是通过对各负荷监测区域的各筛查时间点的负荷值和负荷密度进行分析得到的量化指标，用于量化评估各负荷监测区域的负荷异常程度，为各负荷监测区域的负荷异常评估提供数据依据。

在一个具体的实施例中，各负荷监测区域的负荷异常评估值，具体数值表达式为：

式中，表示第i个负荷监测区域的负荷异常评估值，/>表示第i个负荷监测区域的第r个筛查时间点的负荷密度，/>，/>表示第i个负荷监测区域的第r个筛查时间点的负荷值，/>表示第i个负荷监测区域的覆盖面积，/>表示预设的参照标准负荷密度，/>表示预设的参照标准负荷值，/>表示预设的允许偏差负荷密度，/>表示预设的允许偏差负荷值，/>表示设定的负荷密度对应的负荷异常评估影响因子，/>表示设定的负荷值对应的负荷异常评估影响因子，r表示各筛查时间点的编号，/>，h表示筛查时间点的总数。

在一个具体的实施例中，各负荷监测区域的负荷异常评估值不仅可以通过以上计算方式得到，也可以通过使用监督学习方法（如支持向量机、随机森林、神经网络等）训练异常检测模型，通过历史数据标注正常与异常样本，模型学习到正常负荷模式与异常模式的特征差异，对新数据进行预测，预测结果与实际值的偏差或概率得分用于判断异常，还可以通过结合不同来源的监测数据（如智能电表、SCADA系统、气象站、社交媒体等）进行综合分析，通过数据融合、交叉验证提高异常检测的准确性和完整性，分析得到各负荷监测区域的负荷异常评估值。

根据各负荷监测区域的负荷异常评估阈值和各负荷监测区域的负荷异常评估值，对各负荷监测区域的负荷异常进行评估，并根据得到的评估结果进行预警反馈。

具体地，对各负荷监测区域的负荷异常进行评估，并根据得到的评估结果进行预警反馈，具体过程为：将各负荷监测区域的负荷异常评估值分别与各负荷监测区域的负荷异常评估阈值进行比对，若某负荷监测区域的负荷异常评估值大于或等于该负荷监测区域的负荷异常评估阈值，则将该负荷监测区域评估为负荷异常区域，并将评估结果进行预警反馈。

在一个具体的实施例中，负荷异常区域的预警反馈具体过程为：通过电力监控系统或自动化设备获取该区域详细的负荷数据，包括电流、电压、功率、频率等电气参数，以及负荷变化趋势、历史数据对比等，进一步确认负荷异常的具体情况。在电力地理信息系统中精准定位异常区域，明确涉及的供电线路、变电站、重要用户等具体设施，以便后续针对性地采取措施。同时，通过电力调度系统、运维管理系统、企业内部通讯平台等工具，向相关人员（如调度员、运维人员、管理人员等）发送警示信息，包含异常区域位置、异常类型、等级、影响范围、初步原因分析等内容，以及相应的应对指令。持续关注异常区域的负荷变化及处置进展，通过监控系统实时更新数据，确保异常得到有效控制。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (9)

1.一种基于空间聚类的负荷异常值检测方法，其特征在于，包括：

对电力负荷监控地区进行区域划分，标记为各负荷监测区域，通过数据统计分析得到第一数据，所述第一数据包括各负荷监测区域的空间特性参量和负荷监测时间点的时间特性参量；

获取各负荷监测区域的负荷异常评估阈值，并对各负荷监测区域的第一数据进行监测，分析得到各负荷监测区域的负荷异常评估值；

根据各负荷监测区域的负荷异常评估阈值和各负荷监测区域的负荷异常评估值，对各负荷监测区域的负荷异常进行评估，并根据得到的评估结果进行预警反馈。

2.根据权利要求1所述的基于空间聚类的负荷异常值检测方法，其特征在于：所述各负荷监测区域的负荷异常评估阈值，具体通过将各负荷监测区域的空间特性参量和负荷监测时间点的时间特性参量联合处理得到各负荷监测区域的区域特征向量及区域特征向量可行域，并匹配得到各负荷监测区域的负荷异常评估阈值。

3.根据权利要求2所述的基于空间聚类的负荷异常值检测方法，其特征在于：所述将各负荷监测区域的空间特性参量和负荷监测时间点的时间特性参量联合处理得到各负荷监测区域的区域特征向量及区域特征向量可行域，并匹配得到各负荷监测区域的负荷异常评估阈值，具体包括：

以各负荷监测区域的空间特性参量作为纵轴变量，以负荷监测时间点的时间特性参量作为横轴变量，将两个数值变量合并为一个二维向量，得到各负荷监测区域的区域特征向量，/>，其中，/>表示第i个负荷监测区域的区域特征向量，/>表示第i个负荷监测区域的空间特性参量，/>表示负荷监测时间点的时间特性参量，i表示各负荷监测区域的编号，/>，n表示负荷监测区域的总数；

根据预设的空间特性参量间隔和时间特性参量间隔分别对空间特性参量取值范围和时间特性参量取值范围进行等距划分，得到若干空间特性参量区间和时间特性参量区间；

定位各负荷监测区域的空间特性参量所属空间特性参量区间和负荷监测时间点的时间特性参量所属时间特性参量区间，经处理得到各负荷监测区域的区域特征向量可行域；

将各负荷监测区域的区域特征向量可行域与负荷异常检测数据库中存储的各区域特征向量可行域对应的负荷异常评估阈值进行匹配，得到各负荷监测区域的负荷异常评估阈值。

4.根据权利要求1所述的基于空间聚类的负荷异常值检测方法，其特征在于：所述分析得到各负荷监测区域的负荷异常评估值，具体分析过程为：

部署若干筛查时间点，采集各负荷监测区域的各筛查时间点的负荷值，并获取各负荷监测区域的覆盖面积，综合分析得到各负荷监测区域的负荷异常评估值。

5.根据权利要求4所述的基于空间聚类的负荷异常值检测方法，其特征在于：所述对各负荷监测区域的负荷异常进行评估，并根据得到的评估结果进行预警反馈，具体为：

将各负荷监测区域的负荷异常评估值分别与各负荷监测区域的负荷异常评估阈值进行比对，若某负荷监测区域的负荷异常评估值大于或等于该负荷监测区域的负荷异常评估阈值，则将该负荷监测区域评估为负荷异常区域，并将评估结果进行预警反馈。

6.根据权利要求2所述的基于空间聚类的负荷异常值检测方法，其特征在于：所述各负荷监测区域的空间特性参量，是通过对各负荷监测区域的地理空间特征值和输电线路长度进行综合分析得到的量化评估值，用于量化评估各负荷监测区域的空间特征对负荷数据的影响。

7.根据权利要求6所述的基于空间聚类的负荷异常值检测方法，其特征在于：所述各负荷监测区域的空间特性参量，具体数值表达式为：

式中，表示第i个负荷监测区域的空间特性参量，/>表示第i个负荷监测区域的地理空间特征值，/>表示第i个负荷监测区域的输电线路长度，/>表示参照输电线路长度，/>表示设定的地理空间特征值对应的空间特性参量影响因子，/>表示设定的输电线路长度对应的空间特性参量影响因子，i表示各负荷监测区域的编号，/>，n表示负荷监测区域的总数。

8.根据权利要求3所述的基于空间聚类的负荷异常值检测方法，其特征在于：所述负荷监测时间点的时间特性参量，是通过对负荷监测时间点的时间段属性量化值和时间序列位置特征量化值进行分析得到的量化指标，用于量化评估负荷监测时间点的时间特征对负荷数据的影响。

9.根据权利要求8所述的基于空间聚类的负荷异常值检测方法，其特征在于：所述负荷监测时间点的时间特性参量，具体数值表达式为：

式中，表示负荷监测时间点的时间特性参量，/>表示负荷监测时间点的时间段属性量化值，/>表示负荷监测时间点的时间序列位置特征量化值，/>表示设定的时间段属性量化值对应的时间特性参量影响因子，/>表示设定的时间序列位置特征量化值对应的时间特性参量影响因子。