一种需求侧动态响应中电能量异常数据实时分析方法与流程

1.本技术涉及用电异常分析技术，更具体地说，涉及一种需求侧动态响应中电能量异常数据实时分析方法。


背景技术：

2.我国针对电力数据的研究尚处于起步阶段，但是其发展是十分迅速的。2012年，国家电网公司发布了公共信息资源共享模型。2013年国家电网公司在输变电管理运行、决策支持、用电与能效、智能配电网技术等方面开展了大数据关键技术的研究与应用。国家电网公司在2018年电力物联网专项部署会议上明确指出，加快电力物联网化建设是重中之重。


技术实现要素：

3.鉴于此，为了满足需求侧响应中对需求侧电能量数据可靠性、数据有效性、及时性的要求，以支撑需求侧实时动态响应，本技术提出了一种需求侧动态响应中电能量异常数据实时分析方法。
4.为了实现上述目的，本技术提供了一种需求侧动态响应中电能量异常数据实时分析方法，包括以下步骤：
5.步骤s1、电力用户数据预处理；
6.步骤s2、利用随机森林算法，根据预处理后的数据，构建数据异常规则库；
7.步骤s3、基于所述数据异常规则库，通过从电能量实时采集数据流中进行数据指标特征提取、随机森林分类、数据评价规则管理、异常点定位，检测异常数据；通过分析数据在时序上的特点，分别从统计性指标、趋势性指标、变动性指标及负荷特征指标四个方面提取电能量数据异常特征；
8.步骤s4、构建电能量数据准实时异常智能检测方法；
9.步骤s5、识别电能量数据准实时异常；其中，所述异常包括采集失败、飞走、倒走、停走；
10.步骤s6、根据电网企业计量装置的尖峰、峰段、平段、谷段的用电量，平均分解到对应段中每个小时，以此生成分时电量；
11.步骤s7、拟合需求侧响应的电能量准实时数据；其中，拟合对象包括：10kv及以上用户、10kv及以下用户、往月电量、10kv及以上用户96点平均负荷、10kv及以下专变用户及台区用户96点平均负荷；
12.步骤s8、修正电能量数据拟合模型；
13.步骤s9、基于历史数据审核规则回测分析。
14.作为其他可以实现的形式中，所述步骤s1包括：对从计量自动化系统采集到的电力用电数据进行规则剔除；所述剔除的对象包括：用户的日负荷数据缺失四分之一及其以上的、月负荷数据中有三分之一数据缺失的电力用户、月负荷数据一半以上为零的电力用户、日、月负荷数据均相同的用户；采用拉格朗日插值法对于缺失的用户用电数据进行插值
填补；采用最小-最大标准化方法对采集到的用电数据进行归一化处理。
15.作为其他可以实现的形式中，所述步骤s7中，对于所述10kv及以上用户，包括：采用计量自动化系统已拟合的示值曲线，以积分电量的方式拟合缺失的日电量。
16.作为其他可以实现的形式中，所述步骤s7中，对于10kv及以下用户，包括：若已进行曲线数据采集，缺失电能量数据准实时数据，当日首尾0点的示数曲线数据齐全，则采用积分电量的方式拟合缺失的日电量；若不具备曲线采集条件或具备曲线采集但日首尾示值曲线不全，则采用参考日电量加权均值法拟合日电量。
17.作为其他可以实现的形式中，所述步骤s7中，对于往月电量，包括：按照行业对上月电能量数据准实时采集缺失的用户进行分类，抽取对应行业的典型用户，基于采集系统的电能量数据准实时数据计算典型用户的日电量与月电量，分析涉及行业的日电量分布，结合用户出账电量，对上月缺失日电量进行拟合。
18.作为其他可以实现的形式中，所述步骤s7中，对于10kv及以上用户96点平均负荷，包括：取已拟合补全过的示数曲线，计算96点电量；根据96点电量拟合缺失的96点平均负荷；其中，96点平均负荷＝96点电量/0.25。
19.作为其他可以实现的形式中，所述步骤s7中，对于10kv及以下专变用户及台区用户96点平均负荷，包括：若示值曲线首个点存在异常，但电能量数据准实时数据正常，则用电能量数据准实时填充；若数据连续异常点小于等于3个时，则利用平均值法对缺失数据进行拟合；若数据连续异常点数量大于3时，则对用户用电曲线进行数据特征分类；根据用户用电特征分类情况，构建对应的间隔用电特征曲线；对缺失数据的用户用电曲线进行用电特征识别；根据用户用电特征曲线，对缺失数据的曲线进行数据拟合。
20.作为其他可以实现的形式中，所述步骤s8包括：构建核算规则重要性评估模型；调整核算动态；检验核算规则优化结果。
21.作为其他可以实现的形式中，所述步骤s9包括：抽取近2年的历史数据，所述历史数据包括正常数据和异常数据；基于所述历史数据对审核规则进行回测分析，评估审核规则的异常识别率；根据异常识别率不断优化调整审核规则，剔除异常识别率低的无效规则；对于新增的审核规则在达到识别率要求之后再正式上线启用。
22.有益效果
23.与现有技术相比，本技术的技术方案具有的优点是：
24.(1)本技术的技术方案基于随机森林的数据异常规则模型，通过从电能量实时采集数据流中进行数据指标特征提取、随机森林分类、数据评价规则管理、异常点定位，实现异常数据智能检测，提升异常数据检测的准确性；
25.(2)本技术的技术方案采用基于时间序列分析模型及时间分片模型，对缺失、异常数据进行拟合修正研究，综合用户档案、上下文数据等多种不同的特征，综合评定得到更准确的数据拟合算法，在现有的数据拟合算法基础上进一步提升数据拟合的准确性，满足实时动态响应对数据的高质量要求。
附图说明
26.图1是本技术的需求侧动态响应中电能量异常数据实时分析方法的示意图；
27.图2是本技术的数据异常规则库模型构建流程的示意图；
28.图3是本技术的数据异常规则库的示意图；
29.图4是本技术的负荷特征指标的示意图；
30.图5是本技术的分时电量拟合对应时段的示意图；
31.图6是本技术的核算规则阈值动态调整模型的示意图；
32.图7是本技术的基于历史数据审核规则回测规则的示意图；
33.图8是本技术的审核规则的示意图；
34.图9是本技术的回测评估结果的示意图。
具体实施方式
35.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
36.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
37.还应当理解，在本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
38.为了满足需求侧响应中对需求侧电能量数据可靠性、数据有效性、及时性的要求，以支撑需求侧实时动态响应，如图1所示，本技术实施例提出了一种需求侧动态响应中电能量异常数据实时分析方法，所述方法包括s1至s9。本方法以提高电网公司对新型电力系统中需求侧动态响应业务的支撑能力，良好适应不断发展变化的业务需求为目标，开展负荷动态响应调节中电能量异常数据实时分析，实现动态响应过程中，对电能量数据实现准实时的异常识别和拟合；增强电能量数据实时处理的能力，充分挖掘电能量数据在需求侧响应中的信息，以提高电能量数据在需求侧动态响应过程中的支撑能力，应对不断发展变化的业务需求；有力增强电能量数据实时处理的能力，提高工作人员在现场排查问题的准确性和时间效率，从而保障电力公司对外服务质量和对内运营能力，减少不必要的经济的损失。
39.所述方法包括：
40.本实施例中的电能量异常数据实时分析模型，主要基于广西某地区3234个电力用户半年的96点正向有功负荷等数据开展建模。计量自动化系统每隔15分钟采集一次用电数据，每天有96个用电数据采样点。
41.步骤s1、电力用户数据预处理。
42.具体的，从计量自动化系统采集到的电力用电数据中，部分电力用户的用电数据可能会存在大量的缺失值、连续的空值或者大量的相同值等情况。针对这些问题，根据以下进行规则剔除：
43.针对用户的日负荷数据，负荷数据缺失四分之一及其以上的；
44.月负荷数据中有三分之一数据缺失的电力用户；
45.月负荷数据一半以上为零的电力用户；
46.日、月负荷数据均相同的用户。
47.集到的数据中的缺失数据时，采用拉格朗日插值法对于缺失的用户用电数据进行插值填补。首先，从采集到的原始用电数据集中确定因变量和自变量。然后，提取缺失数据位置前后各5个数据，并将提取的10个数据组成一组，利用以下公式对用电数据中的全部缺失数据依次进行插值填补。
[0048][0049][0050]
其中，x为缺失负荷数据对应的下标序号，ln(x)为缺失负荷数据的插值结果，xi为非缺失负荷数据yi的下标。
[0051]
为了保证数据挖掘结果的可靠性，需要对原始用电数据进行标准化处理。采用最小-最大标准化方法对采集到的用电数据进行归一化处理，即对缺失数据插补后的用电数据进行线性变换，使经过处理后的用电数据介于0和1之间，具体计算公式如下：
[0052][0053]
其中，v
new
为标准化处理后的用电数据，v为用户原始的用电数据，v
min
、v
max
分为原始用电数据在标准化处理前的最小值和最大值。
[0054]
步骤s2、利用随机森林算法，根据预处理后的数据，构建数据异常规则库。
[0055]
具体的，对预处理后的数据进行测试并计算得出最终的实验结果，根据异常数据特征，构建数据异常规则库。通过随机森林算法，对用户数据进行决策分类，最终分类结果由训练出的决策树(数据异常规则库)投票决定，以此判定用户是否有用电异常行为。具体步骤可参考图2。其中，数据异常规则库包含异常原因与异常特征，具体的结构可参考图3，图3中x1，x2，
……
，xn是数据的异常特征，a1，a2，
……
，an是异常原因。为实现规则库的高效运行，用户可以根据实际情况添加、修改规则库中的规则来提高质量与性能。
[0056]
步骤s3、基于所述数据异常规则库，通过从电能量实时采集数据流中进行数据指标特征提取、随机森林分类、数据评价规则管理、异常点定位，检测异常数据；通过分析数据在时序上的特点，分别从统计性指标、趋势性指标、变动性指标及负荷特征指标四个方面提取电能量数据异常特征。
[0057]
具体的，基于随机森林的数据异常规则模型，通过从电能量实时采集数据流中进行数据指标特征提取、随机森林分类、数据评价规则管理、异常点定位，实现异常数据智能检测，提升异常数据检测的准确性。通过分析负荷数据在时序上的特点分别从统计性指标、趋势性指标、变动性指标及负荷特征指标四个方面对其进行了特征提取。统计性指标描述了用电数据的总体状态，主要包括了用电数据在日、周、月上用电量的平均值、极差、标准差、偏度及峰度等。
[0058]
趋势性指标是指利用简单移动平均法计算，其计算公式为：
[0059]ft
＝(a
t-1
+a
t-2
+
…
+a
t-n
)/n
[0060]
其中，f
t
、t、n分别为简单移动平均数、时间点、采集的次数。小于f
t
的点记为a1，a2，...ak，大于f
t
的点记为b1，b2，...bk。最后计算负荷的上升特征指标与下降特征指标rise和decl：
[0061][0062][0063]
变动性指标是指用户用电模式前后的差异度，主要包括用户前r日的用电平均值和后r日的用电平均值之差以及前r日与后r日快速傅里叶变换的系数序列差值模，计算公式为：
[0064][0065]
其中，y1为前r日快速傅里叶变换的系数序列，y2为后r日快速傅里叶变换的系数序列。
[0066]
负荷特征指标具体内容如图4所示，其中日负荷率反映了全天的用电量变化，日峰谷差率反映了电网的调峰能力，峰期负载率、平期负载率、谷期负载率分别反应了在峰期、平期、谷期时负荷的变化.图4中，p
ave
为日负荷均值，为日负荷最小值，p
max
为日负荷最大值，val、flp、peak分别代表谷期、平期、峰期。
[0067]
步骤s4、构建电能量数据准实时异常智能检测方法。
[0068]
具体的，通过开展基于随机森林算法的数据异常规则库模型研究，构建电能量数据准实时异常智能检测方法，提升动态响应中电能量数据的准确性。
[0069]
步骤s5、识别电能量数据准实时异常；其中，所述异常包括采集失败、飞走、倒走、停走。
[0070]
具体的，通过对用户日电量数据进行分析，根据每类异常数据的特征甄别出异常的数据点，并分类标识，为数据拟合做准备。数据异常情况有：采集失败、飞走、倒走、停走等。
[0071]
步骤s6、根据电网企业计量装置的尖峰、峰段、平段、谷段的用电量，平均分解到对应段中每个小时，以此生成分时电量。
[0072]
具体的，电能量数据拟合是根据电网企业计量装置的尖峰、峰段、平段、谷段的用电量，平均分解到对应段中每个小时，以此生成分时电量。如图5所示。
[0073]
步骤s7、拟合需求侧响应的电能量准实时数据；其中，拟合对象包括：10kv及以上用户、10kv及以下用户、往月电量、10kv及以上用户96点平均负荷、10kv及以下专变用户及台区用户96点平均负荷。
[0074]
具体的，
[0075]
对于10kv及以上用户，采用计量自动化系统已拟合的示值曲线，以积分电量的方式拟合缺失的日电量，公式为：
[0076]rd-3
＝m
d-2-m
d-3
[0077]
式中：r
d-3
为t-3日的电量，m
d-2
为t-2日0点表底数、m
d-3
为t-3日0点表底数。
[0078]
对于10kv及以下用户，可分为两种情况：
[0079]
有首尾曲线无电能量数据准实时。对于已进行曲线数据采集的用户，缺失电能量数据准实时数据(t-3)，当日首尾0点的示数曲线数据齐全的用户(10kv及以上用户、已采集系统内完成表码曲线拟合的市场化交易用户、已进行hplc改造的居民用户)，采用积分电量的方式拟合缺失的日电量；
[0080]
对于不具备曲线采集条件的用户，具备曲线采集但日首尾示值曲线不全的用户的两类用户，日电量的拟合采用参考日电量加权均值法，其计算公式如下：
[0081][0082]
式中：n为选取的参考日个数(原则上依次选取符合条件的最近参考日)；ri为参考日电量(r1为距离待补全日最近的参考日电量，其他同理)；xi为各参考日对应的权重值(建议距离待补全日越近，权重值越高)；gi为用电增长参考系数(考虑不同待补全日的用户用电特征差异)。
[0083]
对于往月电量拟合(m+7出账电量)，基于出账电量(m+7)的缺失日电量拟合，按照行业对上月电能量数据准实时采集缺失的用户进行分类，抽取对应行业的典型用户，基于采集系统的电能量数据准实时数据计算典型用户的日电量与月电量，分析出涉及行业的日电量分布，结合用户出账电量，实现对上月缺失日电量进行拟合。
[0084]
对于10kv及以上用户96点平均负荷拟合共分为两步，一是10kv及以上用户96点负荷取已拟合补全过的示数曲线，计算96点电量；二是根据96点电量拟合缺失的96点平均负荷，96点平均负荷＝96点电量/0.25。
[0085]
对于10kv及以下专变用户及台区用户96点平均负荷的，96点负荷曲线大于2倍合同容量的视为异常负荷进行清除，数据异常处理后，对缺失的示值曲线数据，运用数学方法进行拟合还原：
[0086]
示值曲线首个点存在异常，但电能量数据准实时数据正常，用电能量数据准实时填充。
[0087]
数据连续异常点小于等于3个时，利用平均值法对缺失数据进行拟合(认为缺失数据的用电时段内，各间隔用电相同)。
[0088]
数据连续异常点数量大于3时，采用如下数学方法进行拟合：
[0089]
第一步：对用户用电曲线进行数据特征分类。
[0090]
取用户最近30日的电能示值曲线(正向、反向)，依据单日内用电曲线起伏变化的程度进行聚类分析，分为多类用户用电日特征分组。
[0091]
第二步：根据用户用电特征分类情况，构建对应的间隔用电特征曲线。
[0092]
据第一步中的分类情况，取同一特征分组内所有曲线同一时间间隔的有效间隔用电，求该时间间隔用电量的加权平均值(该时间间隔“间隔用电”累加求和，再除以实际获取的有效“间隔用电”数量)。
[0093]
[0094]
其中n为同特征分类曲线组中，指定间隔的有效值总数量为单一曲线对应的间隔用电。再用同样的方法，依次求出一日内全部时间间隔“间隔用电”的加权平均值；最后按间隔时序进行排序，生成该用户相应用电日特征分组的间隔用电特征曲线。
[0095]
第三步：对缺失数据的用户用电曲线进行用电特征识别。
[0096]
根据用电曲线本身数据特征进行用电特征分类(参见第一步)，匹配与之对应的用电分类；若曲线缺失数量较大，可将当日用电量与步骤1聚类分析结果进行比对，判定为用电分类(例如“工作日用电”或“非工作日用电”)；若以上两种方法失效，可依据国家法定休息日进行判定。
[0097]
第四步：根据用户用电特征曲线，对缺失数据的曲线进行数据拟合。
[0098]
根据用户缺失数据曲线的用电特征分析结果获取该用户对应特征的用电间隔参考曲线，结合特征曲线的用电趋势、曲线缺失数据部分的总用电情况，求取缺失数据点各间隔的“间隔用电”。
[0099][0100]
q：所求间隔用电；q总：曲线缺失数据点的总用电量；间隔用电参考曲线对应所求间隔的用电量；间隔用电参考曲线对应所求曲线缺失数据点的总用电量。
[0101]
最后根据示值曲线缺失数据点对应时间间隔拟合电量数据，补全曲线数据缺失的曲线示值，完成数据拟合。负荷曲线拟合：
[0102]
根据上述已拟合补全过的示数曲线，计算96点电量；
[0103]
根据96点电量拟合缺失的96点平均负荷，96点平均负荷＝96点电量/0.25。
[0104]
步骤s8、修正电能量数据拟合模型。
[0105]
电费核算异常用户核查过程中，各项核算规则阈值设置的合理与否直接影响疑似异常用户的筛选结果。构建基于机器学习算法的核算规则阈值动态调整模型(如图6所示)，通过模型评估各核算规则在不同阈值条件下的重要性差异，从而为核算规则优化提供数据支撑。具体的，
[0106]
构建核算规则重要性评估模型：按不同客户群，选取近两年疑似异常用户的数据特征指标，分别根据同环比增减率与异常信息处理结果构建数据稀疏矩阵，基于原指标数据的数值范围进行分段赋值。使用不同的机器算法模型(随机森林、xgboost、支持向量机、神经网络等)对原指标形成的训练集进行模型训练，然后使用测试集对各模型进行测试，计算不同算法构建出来的模型准确率和召回率，并对其进行调优，选出最优的模型，以及其准确率、召回率和f1-score。
[0107]
调整核算动态：核算规则动态调整分多轮进行，每轮只对一个核算规则指标阈值进行调整。因此每轮将一个原始指标衍生出来的新的核算规则作为特征加入到模型当中进行规则重要性分析，指标衍生顺序按重要性程度排名从大到小进行。具体步骤如下：
[0108]
依次将测试集的需要调整规则替换为衍生规则指标，得到新测试集；
[0109]
然后基于最优模型对新测试集进行测试，得到准确率、召回率和f1-score；
[0110]
选出替换后准确率、召回率和f1-score综合结果较优的衍生规则指标，并将该规则指标对应的值作为该规则新的阈值。
[0111]
检验核算规则优化结果：得到所有规则的优化结果之后，通过新的规则对所有疑似异常的用户重新进行判断，统计新规则下的疑似异常用户数，以及疑似异常用户中真实异常用户数。基于原疑似异常用户数、原真实异常数、新规则下异常用户数和新规则异常用户中真实异常用户数，计算新规则异常定位准确率提升情况以及异常用户损失情况，从而为评估核算规则优化效果提供数据支撑。异常定位准确率提升情况以及异常用户损失情况计算公式如下：
[0112]
异常定位准确率提升情况：
[0113][0114]
异常用户损失情况：
[0115][0116]
步骤s9、基于历史数据审核规则回测分析。
[0117]
抽取近2年的历史数据，包括正常数据和异常数据，基于历史数据对审核规则进行回测分析，评估审核规则的异常识别率，根据异常识别率不断优化调整审核规则，剔除异常识别率低的无效规则，对于新增的审核规则在达到识别率要求之后再正式上线启用。其基于历史数据审核规则回测规则如图7所示。具体的，
[0118]
管理回测数据集：统一管理审核规则回测所需的数据，包括正常样本数据、异常样本数据、重要用户数据等全方位的数据，所有数据集中存储，提供数据增、删、改、查，可以对部分数据进行有针对性的修改调整，以适应审核规则回测的需求，保证回测数据集的唯一性和一致性，为审核规则回测提供数据支撑。具体数据说明如下：
[0119]
正常样本数据为按用户类型抽取近两年正常发行的电费数据；异常样本数据包含三部分：历史退补数据、智能审核无效数据、智能审核异常数据，对异常样本数据支持增量滚动更新，并保留近两年的数据以保证有效性；重要用户数据按照以上正常样本数据、异常异常样本数据的说明进行单独管理。
[0120]
回测审核规则：基于回测样本数据集对审核规则进行回测分析，具体回测说明如图8所示。
[0121]
评估回测结果：对回测结果按评估指标项进行全方评估，并对审核规则进行评分，通过图形化的方式直观展示评估结果。回测评估结果可参考图9。
[0122]
最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，其均应涵盖在本技术的权利要求和说明书的范围当中。

技术特征：
1.一种需求侧动态响应中电能量异常数据实时分析方法，其特征在于，包括以下步骤：s1、电力用户数据预处理；s2、利用随机森林算法，根据预处理后的数据，构建数据异常规则库；s3、基于所述数据异常规则库，通过从电能量实时采集数据流中进行数据指标特征提取、随机森林分类、数据评价规则管理、异常点定位，检测异常数据；通过分析数据在时序上的特点，分别从统计性指标、趋势性指标、变动性指标及负荷特征指标四个方面提取电能量数据异常特征；s4、构建电能量数据准实时异常智能检测方法；s5、识别电能量数据准实时异常；其中，所述异常包括采集失败、飞走、倒走、停走；s6、根据电网企业计量装置的尖峰、峰段、平段、谷段的用电量，平均分解到对应段中每个小时，以此生成分时电量；s7、拟合需求侧响应的电能量准实时数据；其中，拟合对象包括：10kv及以上用户、10kv及以下用户、往月电量、10kv及以上用户96点平均负荷、10kv及以下专变用户及台区用户96点平均负荷；s8、修正电能量数据拟合模型；s9、基于历史数据审核规则回测分析。2.根据权利要求1所述的需求侧动态响应中电能量异常数据实时分析方法，其特征在于，所述步骤s1包括：对从计量自动化系统采集到的电力用电数据进行规则剔除；所述剔除的对象包括：用户的日负荷数据缺失四分之一及其以上的、月负荷数据中有三分之一数据缺失的电力用户、月负荷数据一半以上为零的电力用户、日、月负荷数据均相同的用户；采用拉格朗日插值法对于缺失的用户用电数据进行插值填补；采用最小-最大标准化方法对采集到的用电数据进行归一化处理。3.根据权利要求1所述的需求侧动态响应中电能量异常数据实时分析方法，其特征在于，所述步骤s7中，对于所述10kv及以上用户，包括：采用计量自动化系统已拟合的示值曲线，以积分电量的方式拟合缺失的日电量。4.根据权利要求1所述的需求侧动态响应中电能量异常数据实时分析方法，其特征在于，所述步骤s7中，对于10kv及以下用户，包括：若已进行曲线数据采集，缺失电能量数据准实时数据，当日首尾0点的示数曲线数据齐全，则采用积分电量的方式拟合缺失的日电量；若不具备曲线采集条件或具备曲线采集但日首尾示值曲线不全，则采用参考日电量加权均值法拟合日电量。5.根据权利要求1所述的需求侧动态响应中电能量异常数据实时分析方法，其特征在于，所述步骤s7中，对于往月电量，包括：按照行业对上月电能量数据准实时采集缺失的用户进行分类，抽取对应行业的典型用户，基于采集系统的电能量数据准实时数据计算典型用户的日电量与月电量，分析涉及行业的日电量分布，结合用户出账电量，对上月缺失日电量进行拟合。6.根据权利要求1所述的需求侧动态响应中电能量异常数据实时分析方法，其特征在于，所述步骤s7中，对于10kv及以上用户96点平均负荷，包括：
取已拟合补全过的示数曲线，计算96点电量；根据96点电量拟合缺失的96点平均负荷；其中，96点平均负荷＝96点电量/0.25。7.根据权利要求1所述的需求侧动态响应中电能量异常数据实时分析方法，其特征在于，所述步骤s7中，对于10kv及以下专变用户及台区用户96点平均负荷，包括：若示值曲线首个点存在异常，但电能量数据准实时数据正常，则用电能量数据准实时填充；若数据连续异常点小于等于3个时，则利用平均值法对缺失数据进行拟合；若数据连续异常点数量大于3时，则对用户用电曲线进行数据特征分类；根据用户用电特征分类情况，构建对应的间隔用电特征曲线；对缺失数据的用户用电曲线进行用电特征识别；根据用户用电特征曲线，对缺失数据的曲线进行数据拟合。8.根据权利要求1所述的需求侧动态响应中电能量异常数据实时分析方法，其特征在于，所述步骤s8包括：构建核算规则重要性评估模型；调整核算动态；检验核算规则优化结果。9.根据权利要求1所述的需求侧动态响应中电能量异常数据实时分析方法，其特征在于，所述步骤s9包括：抽取近2年的历史数据，所述历史数据包括正常数据和异常数据；基于所述历史数据对审核规则进行回测分析，评估审核规则的异常识别率；根据异常识别率不断优化调整审核规则，剔除异常识别率低的无效规则；对于新增的审核规则在达到识别率要求之后再正式上线启用。

技术总结
本申请公开了一种需求侧动态响应中电能量异常数据实时分析方法，属于用电异常分析技术领域。本申请的方法基于海量电能量数据准实时分析，通过开展电能量缺失、异常数据修复模型研究，构建异常数据拟合模型，可以实现动态响应过程中，对电能量数据实现准实时的异常识别和拟合。别和拟合。别和拟合。


技术研发人员：李捷 唐佳誉 吴一鸣 陈俊 杨舟 何涌 徐植 李刚 韦航 唐利涛
受保护的技术使用者：广西电网有限责任公司
技术研发日：2023.04.28
技术公布日：2023/8/24