李 寒，余 斌，佟 寧，王鑫浩

(1.北方工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，北京 100144；2.大規(guī)模流數(shù)據(jù)集成與分析技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100144；3.大連交通大學(xué) 軟件學(xué)院，遼寧 大連 116052)

0 引 言

隨著電力相關(guān)物聯(lián)網(wǎng)技術(shù)的發(fā)展，大量反映電網(wǎng)實(shí)際運(yùn)行狀況的電力感知數(shù)據(jù)持續(xù)產(chǎn)生且不斷積累。基于這些電力感知數(shù)據(jù)，將有機(jī)會(huì)提供更精確、更智能及更綜合的電力服務(wù)。所以如何利用好電力感知數(shù)據(jù)已成為電力工程領(lǐng)域一個(gè)新興且關(guān)鍵的問題[1]。然而，由于干擾源的影響和數(shù)據(jù)采集及網(wǎng)絡(luò)傳輸異常的存在，電力感知數(shù)據(jù)的質(zhì)量很難保證[1]。因此，檢測并消除數(shù)據(jù)源中的異常在學(xué)術(shù)界和工業(yè)界受到普遍關(guān)注。

異常數(shù)據(jù)種類多樣，離群點(diǎn)是一類典型且主要的數(shù)據(jù)異常[2]。以電力為代表的工業(yè)控制領(lǐng)域大多通過設(shè)置閾值發(fā)現(xiàn)離群點(diǎn)。盡管這種基于閾值的方法簡便易行，但卻不能發(fā)現(xiàn)未超出閾值的異常數(shù)據(jù)。文中將離群點(diǎn)定義為超出閾值，或未超出閾值但與相鄰數(shù)據(jù)存在明顯差異的數(shù)據(jù)。近年來，雖然提出了一些離群點(diǎn)檢測方法，但存在方法難以應(yīng)用于大規(guī)模數(shù)據(jù)或不適合電力感知數(shù)據(jù)的情況。離群點(diǎn)檢測是運(yùn)用各類數(shù)據(jù)處理模型和技術(shù)發(fā)現(xiàn)數(shù)據(jù)資源中的異常數(shù)據(jù)的過程，是發(fā)現(xiàn)數(shù)據(jù)異常，提升數(shù)據(jù)質(zhì)量的前提和必要環(huán)節(jié)。離群點(diǎn)檢測本身是一種能力，如果一個(gè)組織將其離群點(diǎn)檢測能力提供給其他組織或個(gè)人，這就是離群點(diǎn)檢測服務(wù)。在大數(shù)據(jù)環(huán)境下，數(shù)據(jù)資源不僅體量巨大而且種類繁多，對(duì)數(shù)據(jù)處理能力的要求也在不斷提高。在這種情況下，只有少部分機(jī)構(gòu)具備獨(dú)立處理大數(shù)據(jù)的能力，對(duì)于不具備上述能力的機(jī)構(gòu)，則需要對(duì)外尋求數(shù)據(jù)處理服務(wù)。因此，同大數(shù)據(jù)資源一樣，離群點(diǎn)檢測成為一類必不可少的數(shù)據(jù)處理服務(wù)。針對(duì)發(fā)現(xiàn)異常電力感知數(shù)據(jù)和以服務(wù)形式提供異常數(shù)據(jù)檢測能力的需求，文中提出一種電力感知數(shù)據(jù)的離群點(diǎn)檢測解決方案，包含異常檢測服務(wù)框架和離群點(diǎn)檢測方法。

1 相關(guān)工作

近年來，為提高數(shù)據(jù)質(zhì)量，提出一系列數(shù)據(jù)異常處理技術(shù)，如缺失數(shù)據(jù)填補(bǔ)、對(duì)象重復(fù)檢測、離群點(diǎn)檢測、邏輯錯(cuò)誤檢測和不一致數(shù)據(jù)檢測等[3]。由于離群點(diǎn)會(huì)對(duì)后續(xù)數(shù)據(jù)處理和分析帶來嚴(yán)重負(fù)面影響，因此離群點(diǎn)檢測被認(rèn)為是數(shù)據(jù)質(zhì)量保障環(huán)節(jié)最重要的問題之一[2]。

1887年，F(xiàn). Edgeworth發(fā)表了關(guān)于不一致實(shí)驗(yàn)數(shù)據(jù)的研究成果，從此開啟了離群點(diǎn)檢測研究的序幕[3]。通常，離群點(diǎn)可劃分為五類，分別是基于統(tǒng)計(jì)的離群點(diǎn)[4]、基于聚類的離群點(diǎn)[5]、基于分類的離群點(diǎn)[5]、基于距離的離群點(diǎn)[6]和基于密度的離群點(diǎn)[7]。近年來，隨著數(shù)據(jù)資源的重要性提升，針對(duì)離群點(diǎn)檢測的研究開始增多。2010年，江峰等提出一種基于邊界和距離的離群點(diǎn)檢測方法[8]。該方法針對(duì)不確定和不完整數(shù)據(jù)，基于粗糙集理論和基于聚類的離群點(diǎn)檢測方法實(shí)現(xiàn)檢測。在臨床診斷數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了該方法的有效性，但該方法在其他領(lǐng)域的應(yīng)用效果尚有待驗(yàn)證。2012年，Z. Yao等提出一種基于臨近圖和PageRank算法的離群點(diǎn)檢測方法[9]。該方法使用離群分?jǐn)?shù)標(biāo)記數(shù)據(jù)的離群程度，具有較低的時(shí)間復(fù)雜度，對(duì)高維數(shù)據(jù)的離群點(diǎn)檢測效果較好。2015年，G. Tang等提出一種多維情景的離群點(diǎn)檢測方法[10]。該方法首先對(duì)數(shù)據(jù)分類，并將類別作為數(shù)據(jù)領(lǐng)域，再利用群閉包理論檢測情景離群點(diǎn)，是條件離群點(diǎn)檢測方面的新嘗試。

此外，一些針對(duì)大規(guī)模數(shù)據(jù)的離群點(diǎn)檢測方法也開始受到關(guān)注。2015年，Y. Diao等提出一種基于動(dòng)態(tài)離群點(diǎn)檢測的大數(shù)據(jù)在線清洗算法[11]。該算法基于Hadoop平臺(tái)實(shí)現(xiàn)，能大幅提高實(shí)時(shí)數(shù)據(jù)預(yù)處理的效率，但未與領(lǐng)域特征相結(jié)合。2016年，王習(xí)特等提出一種高效的分布式離群點(diǎn)檢測算法(BOD)[12]。該算法將數(shù)據(jù)分塊處理，通過均衡化每個(gè)節(jié)點(diǎn)的工作負(fù)載，能有效提升離群點(diǎn)檢測的效率并控制網(wǎng)絡(luò)開銷。

由于領(lǐng)域數(shù)據(jù)具有特殊數(shù)據(jù)特性，有必要開展領(lǐng)域相關(guān)的離群點(diǎn)檢測研究。在電力領(lǐng)域，結(jié)合領(lǐng)域知識(shí)的離群點(diǎn)檢測方法還十分有限。2015年，程超等提出一種基于離群點(diǎn)算法和用電信息采集系統(tǒng)反竊電研究。該研究將離群點(diǎn)算法與電力應(yīng)用相結(jié)合，探索了離群點(diǎn)與電力業(yè)務(wù)之間的相關(guān)性。然而，該研究側(cè)重竊電分析，離群點(diǎn)算法僅是竊電分析的一個(gè)操作步驟[13]。

為更便捷地對(duì)外提供大數(shù)據(jù)處理能力，數(shù)據(jù)相關(guān)服務(wù)也開始受到關(guān)注。2014年，張志強(qiáng)等研究了數(shù)據(jù)可視化服務(wù)，提出一種基于B/S架構(gòu)的霧霾專題數(shù)據(jù)可視化服務(wù)系統(tǒng)[14]，能夠支持霧霾數(shù)據(jù)的實(shí)時(shí)更新、統(tǒng)計(jì)、顯示功能。2017年，夏虹等探討了面向工業(yè)的開放數(shù)據(jù)服務(wù)平臺(tái)[15]。提出了一種面向工業(yè)的開發(fā)數(shù)據(jù)服務(wù)平臺(tái)的體系結(jié)構(gòu)和工作流程，但未闡述具體技術(shù)和方法。2018年，佟杰等對(duì)海洋測繪數(shù)據(jù)服務(wù)保障系統(tǒng)展開研究[16]，嘗試將海洋測繪數(shù)據(jù)以服務(wù)的形式對(duì)外發(fā)布。該研究尚處于起步階段，有待深入探討和應(yīng)用驗(yàn)證?？傊?，目前關(guān)于數(shù)據(jù)處理服務(wù)的研究還十分有限，且不存在針對(duì)異常數(shù)據(jù)檢測服務(wù)的相關(guān)研究。

綜上所述，現(xiàn)有的離群點(diǎn)檢測方法大多將注意力集中在數(shù)據(jù)值上，而忽略了領(lǐng)域相關(guān)且能反映數(shù)據(jù)特征的數(shù)據(jù)屬性。此外，共享面向大數(shù)據(jù)的異常數(shù)據(jù)檢測能力的需求已存在。因此，文中提出了一種考慮電力感知數(shù)據(jù)的時(shí)間屬性的離群點(diǎn)檢測方法，并設(shè)計(jì)了一種電力感知數(shù)據(jù)異常檢測服務(wù)框架。

2 電力感知數(shù)據(jù)的異常檢測服務(wù)框架

絕大多數(shù)電力數(shù)據(jù)是由各種電力傳感器產(chǎn)生的。這些電力傳感器屬于不同的電力設(shè)備，分布廣泛。在中國，電網(wǎng)規(guī)模很大，并且正在逐年擴(kuò)大。隨著電網(wǎng)規(guī)模的擴(kuò)大，電力感知數(shù)據(jù)量迅速增加。然而，并非所有機(jī)構(gòu)都具備大規(guī)模的電力感知數(shù)據(jù)的處理能力。因此，為了有效和方便地對(duì)外提供電力感知數(shù)據(jù)異常檢測的能力，有必要探討電力感知數(shù)據(jù)的異常檢測能力的使用模式。

借鑒Web服務(wù)的思想，為了滿足易用的特點(diǎn)，并同時(shí)考慮可擴(kuò)展性，文中融合Web服務(wù)的思想和大數(shù)據(jù)技術(shù)，設(shè)計(jì)了一種電力感知數(shù)據(jù)的異常檢測服務(wù)框架，如圖1所示。在該框架中，處理對(duì)象是由各類電力傳感設(shè)備產(chǎn)生的電力感知數(shù)據(jù)，輸出為帶有異常數(shù)據(jù)標(biāo)記的電力感知數(shù)據(jù)。該框架由四個(gè)主要層次構(gòu)成，自頂向下包括應(yīng)用層、服務(wù)層、計(jì)算層和存儲(chǔ)。

圖1 電力感知數(shù)據(jù)的異常檢測服務(wù)框架

框架各層次描述如下：

(1)應(yīng)用層。

應(yīng)用層是用戶與系統(tǒng)直接交互的窗口，也是整個(gè)系統(tǒng)核心功能的入口。電網(wǎng)業(yè)務(wù)人員在服務(wù)配置模塊中可選擇所需的異常檢測服務(wù)并對(duì)其相關(guān)參數(shù)進(jìn)行配置。數(shù)據(jù)選擇模塊支持待檢測的數(shù)據(jù)的選擇，這些數(shù)據(jù)存儲(chǔ)在存儲(chǔ)層中，用戶選擇后就會(huì)將請(qǐng)求發(fā)往服務(wù)層進(jìn)行進(jìn)一步的異常檢測。數(shù)據(jù)展示模塊則負(fù)責(zé)返回部分異常數(shù)據(jù)檢測結(jié)果，供用戶查看。

(2)服務(wù)層。

服務(wù)層用于托管應(yīng)用服務(wù)。首先，服務(wù)層會(huì)接收來自應(yīng)用層的請(qǐng)求，處理請(qǐng)求中的配置和數(shù)據(jù)。然后，進(jìn)入服務(wù)庫，使用相對(duì)應(yīng)的異常數(shù)據(jù)檢測服務(wù)在計(jì)算層對(duì)數(shù)據(jù)實(shí)施異常檢測處理。文中提出的考慮時(shí)間屬性的離群點(diǎn)檢測方法將作為服務(wù)在服務(wù)庫中提供。最后，部分異常數(shù)據(jù)檢測的結(jié)果將打包返回給應(yīng)用層的數(shù)據(jù)展示模塊，方便用戶定位異常數(shù)據(jù)。

(3)計(jì)算層。

計(jì)算層是一個(gè)混合的計(jì)算環(huán)境，用于執(zhí)行異常數(shù)據(jù)檢測方法?；赮ARN，MapReduce和Spark是主要的分布式計(jì)算組件。其中，MapReduce在批處理中具有良好的性能，Spark則提供快速的內(nèi)存處理，且Spark的機(jī)器學(xué)習(xí)庫MLlib包含許多算法和實(shí)用工具，如分類、決策樹、推薦、聚類等，能夠有效支撐異常數(shù)據(jù)檢測方法的實(shí)現(xiàn)。文中提出的離群點(diǎn)檢測方法使用了MLlib庫的聚類算法。

(4)數(shù)據(jù)層。

數(shù)據(jù)層位于最底層，該層采用一個(gè)集成的存儲(chǔ)環(huán)境保存數(shù)據(jù)，包括關(guān)系數(shù)據(jù)庫(MySQL)、NoSQL數(shù)據(jù)庫(Hbase)和分布式文件系統(tǒng)(HDFS)。MySQL用于保存計(jì)算結(jié)果和從原始電力感知數(shù)據(jù)中解析獲得的所有結(jié)構(gòu)化數(shù)據(jù)。HDFS用于電力感知數(shù)據(jù)的保存。Hbase則以電力感知數(shù)據(jù)的時(shí)間和空間屬性為依據(jù)保存電力感知數(shù)據(jù)。

3 電力感知數(shù)據(jù)的離群點(diǎn)檢測方法

3.1 電力感知數(shù)據(jù)的特征

電力感知數(shù)據(jù)是持續(xù)產(chǎn)生的，影響電力感知數(shù)據(jù)的因素通常不具有突變性，因此，電力感知數(shù)據(jù)具有明顯的時(shí)間相關(guān)性和連續(xù)性。當(dāng)影響因素發(fā)生突變時(shí)，即可能產(chǎn)生離群點(diǎn)，如異常斷電、設(shè)備故障等。這些離群點(diǎn)不由時(shí)間因素引起，但卻與正常數(shù)據(jù)同樣具有時(shí)間屬性。圖2為光伏電能質(zhì)量數(shù)據(jù)中的無功功率隨著時(shí)間的變化趨勢(shì)，其中離群點(diǎn)用圓形圈出。這些離群值不超過閾值，但每個(gè)離群點(diǎn)和它的鄰居點(diǎn)之間存在明顯的偏差。根據(jù)檢查記錄，這些異常值是由傳輸異

圖2 無功功率隨時(shí)間變化的趨勢(shì)

?；蛱厥獾沫h(huán)境因素引起的。因此，考慮到電力感知數(shù)據(jù)的時(shí)間相關(guān)性，提出了一種考慮時(shí)間屬性的離群點(diǎn)檢測方法，用于發(fā)現(xiàn)遠(yuǎn)離鄰近點(diǎn)的離群點(diǎn)。

3.2 考慮時(shí)間屬性的離群點(diǎn)檢測方法

由于電力感知數(shù)據(jù)具有明顯的時(shí)間相關(guān)性和連續(xù)性特征，且影響因素突變較少，數(shù)據(jù)常呈規(guī)律性變化且鄰近數(shù)據(jù)之間的偏差不大。鑒于現(xiàn)有電力數(shù)據(jù)聚類及分類算法未考慮數(shù)據(jù)的時(shí)間特性的不足，文中將時(shí)間屬性引入離群點(diǎn)發(fā)現(xiàn)，提出一種考慮時(shí)間屬性的離群點(diǎn)檢測方法。該方法先采用基于數(shù)據(jù)值的k-means聚類獲取數(shù)據(jù)值中心，再利用基于時(shí)間屬性的數(shù)據(jù)分段識(shí)別違背時(shí)間連續(xù)性和相關(guān)性的電力感知數(shù)據(jù)離群點(diǎn)。

3.2.1 考慮時(shí)間屬性的數(shù)據(jù)分類

考慮時(shí)間屬性的數(shù)據(jù)分類由k-means聚類和數(shù)據(jù)分段兩個(gè)階段構(gòu)成，其流程如圖3所示。

圖3 考慮時(shí)間屬性的數(shù)據(jù)分類流程

在第一階段，由于時(shí)間屬性是均勻分布且連續(xù)的，不具有聚類條件，k-means聚類以數(shù)據(jù)值為聚類對(duì)象，將生成若干組具有多個(gè)數(shù)值聚類中心的簇，并標(biāo)記簇之間的分界點(diǎn)數(shù)據(jù)。數(shù)據(jù)分類的輸入數(shù)據(jù)是k-means聚類結(jié)果中的最佳者。

如圖3所示，由于k-means聚類的聚類個(gè)數(shù)需要預(yù)先確定，提出的方法將依據(jù)設(shè)置的最大聚類個(gè)數(shù)Nmax，從2個(gè)聚類個(gè)數(shù)開始執(zhí)行Nmax-1次聚類。為了從Nmax-1個(gè)聚類結(jié)果中選取最佳者，采用MIA指數(shù)(mean index adequacy)評(píng)估聚類結(jié)果的質(zhì)量[17]。MIA被描述為每個(gè)簇中心和屬于相應(yīng)簇的所有元素之間的平均距離。MIA值越小表明簇內(nèi)元素的緊密度越高，聚類結(jié)果越好。MIA指數(shù)計(jì)算方法如式1和式2所示。

(1)

(2)

3.2.2 離群點(diǎn)識(shí)別

離群點(diǎn)識(shí)別負(fù)責(zé)發(fā)現(xiàn)數(shù)據(jù)組中與鄰近數(shù)據(jù)存在較大偏差的異常數(shù)據(jù)，圖4為離群點(diǎn)識(shí)別流程。

圖4 離群點(diǎn)識(shí)別流程

首先，為最佳聚類結(jié)果中的每一個(gè)簇生成上下限值。然后，判定經(jīng)數(shù)據(jù)分類方法處理后獲得的數(shù)據(jù)組中是否存在超出所屬簇上下限的數(shù)據(jù)值，并將該數(shù)據(jù)標(biāo)記為離群點(diǎn)。

4 實(shí)驗(yàn)和結(jié)果分析

電力感知數(shù)據(jù)具有大規(guī)模的特性，通常存儲(chǔ)于大數(shù)據(jù)平臺(tái)中。以電能質(zhì)量數(shù)據(jù)為例，全國近1萬個(gè)監(jiān)測點(diǎn)，各監(jiān)測點(diǎn)每3 s采集2千余指標(biāo)數(shù)據(jù)，每天的數(shù)據(jù)累積量高達(dá)2.75 T。因此，文中提出的電力感知數(shù)據(jù)異常檢測服務(wù)框架和離群點(diǎn)檢測方法基于大數(shù)據(jù)技術(shù)實(shí)現(xiàn)。具體的，由于Spark不僅具有海量數(shù)據(jù)的處理能力，還具有提供豐富算法的機(jī)器學(xué)習(xí)庫MLlib。該方法以MLlib庫的聚類算法為基礎(chǔ)實(shí)現(xiàn)，實(shí)驗(yàn)環(huán)境為四臺(tái)虛擬機(jī)構(gòu)成的并行集群，虛擬機(jī)的硬件配置為8核，32 G內(nèi)存，500 G硬盤，軟件平臺(tái)為Spark1.6.0。該方法針對(duì)具有時(shí)間連續(xù)性的電力感知數(shù)據(jù)展開，已在充電樁數(shù)據(jù)和諧波監(jiān)測數(shù)據(jù)上進(jìn)行驗(yàn)證。采用充電樁的三相基波電流為數(shù)據(jù)集，通過設(shè)置不同的錯(cuò)誤率以支持不同的實(shí)驗(yàn)，錯(cuò)誤率指離群點(diǎn)在數(shù)據(jù)中的占比。鑒于電力感知數(shù)據(jù)的多樣性，該方法還有待應(yīng)用于更豐富的電力感知數(shù)據(jù)集。

4.1 聚類結(jié)果的選擇

該方法采用MIA評(píng)估聚類結(jié)果的質(zhì)量，圖5所示為不同聚類結(jié)果的MIA值。由圖5可知，隨聚類個(gè)數(shù)(K值)增大，MIA值有減小趨勢(shì)。然而，卻不能僅以MIA值為依據(jù)選取較大的K值，因?yàn)楫?dāng)聚類的數(shù)量過大時(shí)，每個(gè)簇的數(shù)據(jù)量會(huì)相應(yīng)降低，從而影響后續(xù)的計(jì)算和分析。如圖5所示，當(dāng)K值由3變作4時(shí)MIA值存在明顯的變小趨勢(shì)，而隨著K值的增加，此趨勢(shì)逐漸減緩，所以K值取4，即數(shù)據(jù)分為四類。

圖5 不同聚類結(jié)果的MIA值

4.2 召回率

召回率指被檢測到的離群點(diǎn)占實(shí)際離群點(diǎn)的比例。實(shí)驗(yàn)將錯(cuò)誤率分別設(shè)置為1%、3%、5%、7%和9%，圖6所示為不同錯(cuò)誤率情況下的召回率。如圖6所示，當(dāng)錯(cuò)誤率從1%增加到10%時(shí)，召回率的值略有下降。鑒于召回率的最小值仍接近80%，文中方法能夠發(fā)現(xiàn)大多數(shù)離群值。與基于聚類和基于數(shù)據(jù)分段的離群點(diǎn)檢測方法相比，該方法采用一次聚類疊加數(shù)據(jù)分類的方式，彌補(bǔ)了聚類算法僅實(shí)現(xiàn)數(shù)據(jù)歸類卻無法識(shí)別離群點(diǎn)，以及數(shù)據(jù)分類無法估計(jì)正常數(shù)據(jù)范圍的不足，能夠有效識(shí)別具有時(shí)間連續(xù)性的離群點(diǎn)。

圖6 不同錯(cuò)誤率情況下的召回率

4.3 并行加速比

并行加速比指在單個(gè)機(jī)器上的運(yùn)行時(shí)間與在并行集群上的運(yùn)行時(shí)間的比率，主要用于評(píng)價(jià)并行系統(tǒng)的性能或并行算法的并行度。實(shí)驗(yàn)將錯(cuò)誤率設(shè)置為5%，數(shù)據(jù)量分別為100 MB、200 MB、300 MB和400 MB，并分別在一臺(tái)虛擬機(jī)和一個(gè)包含四個(gè)虛擬機(jī)的并行集群上進(jìn)行實(shí)驗(yàn)。圖7所示為數(shù)據(jù)集規(guī)模與并行加速比之間的關(guān)系。

圖7 數(shù)據(jù)集規(guī)模與并行加速比之間的關(guān)系

如圖7所示，隨著數(shù)據(jù)量的增大，并行加速比逐步提升，說明該方法具有較好的并行性能。

4.4 可擴(kuò)展性

實(shí)驗(yàn)通過分析集群規(guī)模對(duì)并行加速比的影響反映該方法的可擴(kuò)展性。實(shí)驗(yàn)將錯(cuò)誤率設(shè)置為5%，數(shù)據(jù)量分別為200 MB和400 MB。圖8所示為集群規(guī)模對(duì)并行加速比的影響，位于下方的虛線為200 M數(shù)據(jù)集的并行加速比，位于上方的實(shí)線為400 M數(shù)據(jù)集的并行加速比。

圖8 集群規(guī)模與并行加速比之間的關(guān)系

如圖8所示，該方法近似線性加速，說明其具有良好的可擴(kuò)展性。上述實(shí)驗(yàn)驗(yàn)證了該方法具有良好的并行加速比和擴(kuò)展性。此外，與基于模型、基于距離和基于密度的離群點(diǎn)檢測算法相比，該方法無需預(yù)知數(shù)據(jù)分布，參數(shù)簡單，且復(fù)雜度較低。

5 結(jié)束語

為了提高電力感知數(shù)據(jù)的數(shù)據(jù)質(zhì)量，提出了一種電力感知數(shù)據(jù)的離群點(diǎn)檢測解決方案，包括異常數(shù)據(jù)檢測服務(wù)框架和考慮時(shí)間屬性的離群點(diǎn)檢測方法。給出的框架由存儲(chǔ)層、計(jì)算層、服務(wù)層和應(yīng)用層構(gòu)成，能夠提供電力感知數(shù)據(jù)的異常數(shù)據(jù)檢測服務(wù)。提出的考慮電力感知數(shù)據(jù)的時(shí)間屬性的離群點(diǎn)檢測方法，基于電力感知數(shù)據(jù)的時(shí)間特性，基于k-means聚類和時(shí)間相關(guān)的數(shù)據(jù)分段方法實(shí)現(xiàn)，彌補(bǔ)了聚類算法僅實(shí)現(xiàn)數(shù)據(jù)歸類卻無法識(shí)別離群點(diǎn)，以及數(shù)據(jù)分類無法估計(jì)正常數(shù)據(jù)范圍的不足，能夠有效識(shí)別具有時(shí)間連續(xù)性的離群點(diǎn)。實(shí)驗(yàn)結(jié)果表明，該方法具有良好的離群點(diǎn)檢出率，并有良好的并行性能和可擴(kuò)展性。接下來，將進(jìn)一步開展更豐富的實(shí)驗(yàn)驗(yàn)證，以及探索基于電力感知數(shù)據(jù)其他屬性的離群點(diǎn)檢測方法。