《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》
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。
图表编号 | XD00117897100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.28 |
作者 | 梁捷、梁广明 |
绘制单位 | 广西电网有限责任公司计量中心、南宁百会药业集团有限公司 |
更多格式 | 高清、无水印(增值服务) |