《表1 3种时间序列分解法结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于ARMA和K-means聚类的用电量数据异常识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由表2可见，在误报率方面，本文方法的误报率能保持在6%以下，相比较K-means和LOF较为稳定。至于LOF在误报率方面与本文方法的差别性不大，在检测率上部分区域样本（比如区域5～7，13～14）表现较好。这是因为在训练数据中掺杂着异常数据，使得本文模型学习受到了异常数据的一些特征干扰，不同方法的抗异常数据干扰机制不同，使得训练所得模型对不同异常数据的识别能力存在差异。整体上看，本文模型的异常识别更具稳定性，对不同区域的用电量数据都能较好地检测出异常数据。