一种基于ARIMA的企业日常用电量异常检测方法与流程

一种基于arima的企业日常用电量异常检测方法
技术领域
1.本技术涉及大数据异常检测领域，尤其涉及一种基于arima的企业日常用电 量异常检测方法。


背景技术：

2.企业的用电量能够在一定程度上反映企业经营状况、用工情况以及运行状态。
3.企业的用电量异常检测可以检测出高耗能企业，对企业日常用电量异常检测， 可以规范企业用电，为公共安全、环境保护等相关政府部门管理企业提供指导意 见。
4.

技术实现要素：

5.本发明的目的是提供一种基于arima的企业日常用电量异常检测方法，实现 对附加性异常、临时性异常等检测，可以规范企业用电，为公共安全、环境保护 等相关政府部门管理企业提供指导意见。
6.本发明的目的通过以下技术方案实现：
7.一种基于arima的企业日常用电量异常检测方法，其特征在于：首先对企业 日常用电量数据，进行采样、缺失值处理；然后将处理后的数据分成节假日数据 和工作日数据，对数据进行白噪声评估，进行差分处理，计算acf与pacf函数， 确定自回归与移动平均的阶数，建立arima模型；利用建立的模型对时间序列样 本数据进行预测，再比较真实值与预测值，把差值超过预设的阈值的数据作为异 常检测的结果。
8.该方法包括以下步骤：：
9.(1)采集目标用电单位在企业日常各个时刻的用电量数据；
10.(2)对采集的用电量数据就行纯随机性和平稳性检验；
11.(3)对采集的数据进行预处理，对非平稳序列进行差分处理，得到差分平 稳序列；
12.(4)建立自回归模型，根据自相关性分析，确定自回归阶数；
13.(5)建立移动平均模型，根据偏自相关性分析，确定移动平均的阶数；
14.(6)根据上述步骤得到的差分阶数、自回归阶数、移动平均阶数建立arima 模型，并训练模型。
15.(7)利用训练好的模型进行预测分析，通过比对真实值与预测值的偏差来 判断是否为异常。
16.进一步的，步骤(1)中各个时刻包含晚上20点到次日凌晨8点前的数据， 每15分钟记录一次用电量数据。数据范围包含节假日与工作日。根据企业用电 量数据趋势，把数据样本集分割为节假日数据样本与工作日数据样本。对不同企 业作息规则，设置不同节假日判定规则，一般分为国家法定假日 双休和国家法 定节假日 单休。对采集的数据进行数据清洗，如某时刻存在个别数据缺失，则 以周为单位，利用上下5周此时刻数据，采用拉格朗日插值法进行插值处理。如 果存在长时间段数据缺失则采用对应时刻用电量均值插值处
理。合计某时刻下4 个15分钟数据再取均值作为此时刻用电量
17.进一步的，步骤(2)中对数据进行白噪声检查，确定用电量数据非纯随机 序列；再进行时间序列数据平稳性检查，确定是否需要进行差分处理。
18.进一步的，步骤(3)具体包括对步骤(2)中检测出的非平稳序列进行差分 处理，并在差分后再进行平稳性检验，如1阶差分后仍然不平稳，则再进行差分 处理，获得平稳的时间序列数据。并将两类样本集按照一定的比例划分成训练集、 验证集和测试集。
19.进一步的，步骤(4)中建立自回归模型，并确定自回归阶数。
20.(4-1)对节假日样本进行偏自相关性分析，计算pacf函数值，画出pacf置 信区间图像，取首次进入pacf置信区间的阶数p1。
21.(4-2)对工作日样本进行偏自相关性分析，计算pacf函数值，画出pacf置 信区间图像，取首次进入pacf置信区间的阶数p2。
22.进一步的，步骤(5)建立移动平均模型，并确定移动平均阶数。
23.(5-1)对节假日样本进行自相关性分析，根据相关性结算公式，计算不同 阶数的acf函数值，画出acf置信区间图像，取首次进入acf置信区间的阶数q1。
24.(5-2)对工作日样本进行自相关性分析，根据相关性结算公式，计算不同 阶数的acf函数值，画出acf置信区间图像，取首次进入acf置信区间的阶数q2。
25.进一步的，步骤(6)中根据步骤(3)的得出的差分阶数、步骤(4)得出 的自回归阶数，步骤(5)中的得出的移动平均阶段，对节假日样本和工作日样 本数据分别建立差分自回归移动平均模型arima(p1,d1,q1)和 arima(p2,d2,q2)。并利训练模型，根据计算测试集预测结果的rsm，评估模型 预测效果。如果测试结果不及预期，可以通过遍历可能的lags，取模型aic(或 bic)值最小的模型去训练和做预测。
26.进一步的，步骤(7)中分析样本各时间段均值，方差以及业务痛点，设置 真实与预测值之间差值的阈值，筛选出差值波动大于预设阈值的数据条目，即样 本异常值。
27.本发明的有益效果：
28.本发明通过对企业日常用电量附加性异常、临时性异常等检测，可以规范企 业用电，为公共安全、环境保护等相关政府部门管理企业提供指导意见。
附图说明
29.图1为本发明的方法流程图。
具体实施方式
30.本实施例提供了一种基于arima的企业日常用电量异常检测方法，如图1 所示，包括：
31.(1)采集目标用电单位在企业日常各个时刻的用电量数据。
32.本实施例中，选取企业过去3年各个时刻包含晚上20点到次日凌晨8点前 的数据，每15分钟记录一次用电量数据。数据范围包含所有节假日与工作日。 根据企业用电量数据趋势，把数据样本集分割为节假日数据样本与工作日数据样 本。对不同企业作息规则，设置不同节假日判定规则，一般分为国家法定假日 双休和国家法定节假日 单休。对采集的数据进行数据清洗，如某时刻存在个别 数据缺失，则以周为单位，利用上下5周此时刻数
据，采用拉格朗日插值法进行 插值处理。如果存在长时间段数据缺失则采用对应时刻用电量均值插值处理。合 计某时刻下4个15分钟数据再取均值作为此时刻用电量。
33.(2)对采集的用电量数据就行纯随机性和平稳性检验，具体包括：
34.(2-1)本实施例中，先对样本进行白噪声检验。
35.(2-2)本实施例中，再对样本进行平稳性检验。
36.(3)对采集的数据进行预处理，对非平稳序列进行差分处理，得到差分平 稳序列，具体包括：
37.(4)建立自回归模型，根据自相关性分析，确定自回归阶数。
38.根据p阶自回归定义：其中y
t
为当前值，μ为常 数项，p是阶数，γi是自相关系数，∈
t
是误差项。即，根据自身的历史数据对自 身进行预测。
39.(4-1)对节假日样本进行偏自相关性分析，计算pacf函数值，画出pacf置 信区间图像，取首次进入pacf置信区间的阶数p1。
40.(4-2)对工作日样本进行偏自相关性分析，计算pacf函数值，画出pacf置 信区间图像，取首次进入pacf置信区间的阶数p2。
41.(5)建立移动平均模型，根据偏自相关性分析，确定移动平均的阶数。
42.根据q阶自回归定义：其中y
t
为当前值，μ为常 数项，q是阶数，∈
t
是误差项。使用移动平均模型消除预测中的随机波动。使用acf 函数确定q的阶数。
[0043][0044]
(5-1)对节假日样本进行自相关性分析，根据相关性结算公式，计算不同 阶数的acf函数值，画出acf置信区间图像，取首次进入acf置信区间的阶数q1。
[0045]
(5-2)对工作日样本进行自相关性分析，根据相关性结算公式，计算不同 阶数的acf函数值，画出acf置信区间图像，取首次进入acf置信区间的阶数q2。
[0046]
(6)根据arima定义，有
[0047]
根据上述步骤得到的差分阶数、自回归阶数、移动平均阶数建立arima模型， 并训练模型。根据步骤(3)的得出的差分阶数、步骤(4)得出的自回归阶数， 步骤(5)中的得出的移动平均阶段，对节假日样本和工作日样本数据分别建立 差分自回归移动平均模型arima(p1,d1,q1)和arima(p2,d2,q2)。并训练模型， 根据计算测试集预测结果的rsm，评估模型预测效果。如果测试结果不及预期， 可以通过遍历可能的lags，取模型aic(或bic)值最小的模型去训练和预测。
[0048]
(7)分析样本各时间段均值，方差以及业务痛点，设置真实与预测值之间 差值的阈值，筛选出差值波动大于预设阈值的数据条目，即样本异常值。
[0049]
以上所述仅为本发明的一种较佳实施例而已，不能以此来限定本发明之权利 范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。