(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211025108.7 (22)申请日 2022.08.25 (71)申请人 江苏电力 信息技术有限公司 地址 210024 江苏省南京市 鼓楼区北京西 路20号 (72)发明人 王纪军　胡天牧　胡晓东　包威　 (74)专利代理 机构 南京汇盛专利商标事务所 (普通合伙) 32238 专利代理师 陈扬 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) (54)发明名称 一种基于ARIMA的企业日常用电量异常检测 方法 (57)摘要 本发明公开了一种基于ARIMA的企业日常用 电量异常检测方法， 包括： 采集目标用电单位在 企业日常各个时刻的用电量数据； 对采集的用电 量数据就行纯随机性和平稳性检验； 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； 建立自回归模型， 根据自相关 性分析， 确定自回归阶数； 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； 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； 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。 本发 明实现对附加性 异常、 临时性异常等检测， 可以规范企业用电， 方 便管理。 权利要求书2页 说明书3页 附图1页 CN 115470973 A 2022.12.13 CN 115470973 A 1.一种基于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。 2.根据权利要求1所述的基于ARIMA的企业日常用电量异常检测方法， 其特征在于， 该 方法包括以下步骤： (1)采集目标用电单位在企业日常各个时刻的用电量数据； (2)对采集的用电量数据就行 纯随机性和平稳性检验； (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； (4)建立自回归 模型， 根据自相关性分析， 确定自回归阶数； (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； (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A RIMA模型， 并训练 模型； (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。 3.根据权利要求2所述的基于ARIMA的企业日常用电量异常检测方法， 其特征在于， 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 法定假日加双 休和国家法定节假日加单休。 4.根据权利要求2所述的基于ARIMA的企业日常用电量异常检测方法， 其特征在于， 步 骤(1)中采集的数据进 行数据清洗； 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。 5.根据权利要求2所述的基于ARIMA的企业日常用电量异常检测方法， 其特征在于， 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。 6.根据权利要求2所述的基于ARIMA的企业日常用电量异常检测方法， 其特征在于， 步 骤(3)中对步骤(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 按照比例划分成训练集、 验证集和 测试集。 7.根据权利要求2所述的基于ARIMA的企业日常用电量异常检测方法， 其特征在于， 步 骤(4)具体包括： (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； (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。 8.根据权利要求2所述的基于ARIMA的企业日常用电量异常检测方法， 其特征在于， 步权　利　要　求　书 1/2 页 2 CN 115470973 A 2骤(5)具体包括： 根据p阶自回归定义： 其中yt为当前值， μ为常数项， q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； (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； (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。 9.根据权利要求2所述的基于ARIMA的企业日常用电量异常检测方法， 其特征在于， 步 骤(6)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)； 并利用训练模型， 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， 通过遍历可能的lags， 取模型A IC(或BIC)值最小的模 型去训练、 预测。 10.根据权利要求2所述的基于ARIMA的企业日常用电量异常检测方法， 其特征在于， 步 骤(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。权　利　要　求　书 2/2 页 3 CN 115470973 A 3