基于动态时间规整的负荷主要生产时段特征提取方法.pdf

第6 0 卷第8 期2023年8 月15日电测与仪 表Electrical Measurement&InstrumentationVol.60 No.8Aug.15,2023基于动态时间规整的负荷主要生产时段特征提取方法唐伟,罗晓伊,滕予非,李坚3,靳旦1（1.国网四川省电力公司电力科学研究院，成都6 10 0 7 2；2.国网四川省电力公司，成都6 10 0 7 2；3.电子科技大学机械与电气工程学院，成都6 117 31)摘要：针对经济活跃程度和复工复产重要评估依据中负荷主要生产时段提取偏差大的问题，文章提出了基于动态时间规整（DTW）的负荷主要生产时段特征提取方法，通过构建参考负荷曲线，将测试负荷曲线与参考负荷曲线进行时间维度的伸缩变换，达到测试与参考负荷曲线间的最佳映射，进而实现了测试负荷主要生产时段的测算。文章以西南某区域典型商业负荷功率数据为案例进行负荷主要生产时间段提取,分析了异常测量数据对动态时间规整算法辨识主要生产时段的影响，实验结果证明了文章所提方法在辨识主要生产时段方面的有效性和准确性。关键词：生产时段；动态时间规整；负荷特征；辨辩识D0I:10.19753/j.issn1001-1390.2023.08.009中图分类号：TM93A method of characteristic extraction for the main production period of load(1.Electric Power Research Institute of State Grid Sichuan Electric Power Co.,Ltd.,Chengdu 610072,China.2.State Grid Sichuan Electric Power Company,Chengdu 610072,China.3.School of Mechanical andElectrical Engineering,University of Electronic Science and Technology of China,Chengdu 611731,China)Abstract:Aiming at the problem of large deviation in the extraction of the main production period of load in the evaluationof economic activity level and work resumption degree,this paper proposes a method of characteristic extraction for themain production period of load based on dynamic time warping(DTW).After constructing a reference load curve,theDTW method is adopted to realize the optimal mapping of the test curve and the reference curve by the stretch out or drawback the two curves in time dimension.Then,the main production period of test load could be calculated by searching inthe optimal warping path table.This paper takes the typical commercial load power data in southwest China as a case toextract the main production period of the load,and analyzes the influence of abnormal measurement data on the recognitionof main production period.Finally,the experimental results show that the proposed method is effective and accurate in i-dentifying the main production period.Keywords:production period,DTW,load characteristics,recognition0引言2019年底新型冠状病毒引发的肺炎疫情发生以来,各地经济受到严重影响 。为兼顾疫情防控要求和有效保障市民基本生活需求，大量商业综合体缩短营业时长。自2 月中旬以来,各级政府一边抓防疫，一边采集措施推动经济有序恢复。在开展商业体恢复情况监测和评价中，商业用户有效营业时长是评价指标之一。商户有效营业时长是否达到疫情前的正常水平，代表商业经营者的信心是否恢复。基金项目：国网四川省电力有限公司科技项目（52 19 9 7 19 0 0 1F）文献标识码：Abased on dynamic time warpingTang Wei,Luo Xiaoyi?,Teng Yufeil,Li Jian,Jin Dan文章编号：10 0 1-1390(2 0 2 3)0 8-0 0 51-0 6随着电网智能化进程的加快，智能电表的覆盖率不断提升,采集数据的广度和频度不断增加,电力数据也呈海量增长趋势2 。在此背景下,基于电力数据的负荷特征分析由于可以更加精准直观的反映电力负荷、客户的特点，受到越来越多的关注34。同时，面向电力用户的画像技术5,融合了负荷模式，可在多种维度反映用户特征。负荷主要生产时段即是多种特征维度之一。利用主要生产时段特征，电网运行者可以制定针对性的刺激策略、合理安排运行方式，达到提升客户服务水平、错峰用电、经济运行6-7 等目标。因此，利用电力数据开展商业用户营业时长特征的测算，具有一51一第6 0 卷第8 期2023年8 月15日显著意义和良好基础。在电力用户主要生产时段的应用方面，文献8 通过识别电器启停时刻，综合判断电力用户作息时间，在对用户负荷出现的主要时段方面，采用的是早峰、中峰、晚峰的三种划分；文献9 研究了客户标签和画像技术，论文对负荷用电时段按照峰偏好、谷偏好、峰谷均衡三个时段进行标签划分。从文献分析可知，已有文献中对主要生产时段提取方法的研究相对较少，且对于生产时段的描述和刻画较为粗糙，在精准刻画用户用电时段特征方面存在不足。对负荷主要生产时段进行识别，显而易见的方法是通过功率曲线的上升下降点辨识来实现，即是通过对负荷功率进行差分计算，然后查找功率差分中正的最大值和负的最大值，分别代表主要生产时段的起始点和终止点。但该方法受功率波动、数据异常等的影响较大。动态时间规整（DynamicTimeWarping，D T W）是由日本学者Itakura 提出，早期用于语音识别领域，通过对测试时间序列信号和参考时间序列信号的规整变换，实现最佳匹配，具有较好处理动态过程、计算速度快、结论直观的优点，现已广泛应用于工业设备故障诊断、手势信号识别、信息检索等领域10-2 文章提出利用动态时间规整方法，对负荷日功率曲线数据与参考曲线数据进行规整变换，得到最优规整路径，进而计算测试负荷的主要生产时段和时长。1动态时间规整算法原理动态时间规整是一种衡量两个时间序列信号相似度的方法，适用于两时间序列长度不一致的情况。该方法以规整后的信号相似度最大为目标函数，对两个时间序列信号的测量点在时间维度上进行拉伸或压缩，不改变信号序列的时间先后顺序，仅对信号点的持续时长进行变换13。在语音识别领域，由于不同说话者的语速、停顿等发音习惯不一致，通过时间维度的信号规整，可以实现不同说话者对同一信息的相似匹配。动态时间规整示意图如图1所示。348%曲线11011112710曲线28391112456图1动态时间规整示意图Fig.1Schematic diagram of DWT动态时间规整需满足三个原则：一52 一电测与仪表Electrical Measurement&Instrumentation（1)边界条件原则。规整路径的起始点和终止点，必须分别为两时间序列信号的起始点和终止点；(2)单调性原则。规整后的时间序列信号各信号点的先后顺序必须与规整前信号点的先后顺序保持一致，即图1中虚线表示的规整映射路径不能交叉；(3)连续性原则。其中一个时间序列当前规整的信号点，必须与前一信号测量点对应另一时间序列上的信号点或其之后紧接的信号点进行规整对应，不能跳过原始时间序列上的信号点。对两时间序列进行DTW计算的步骤如下：(1)构建原始信号测量点距离矩阵。对两个时间序列信号，计算所有信号测量点对之间的距离，构建测量点距离矩阵。C rig,Rig=fc.,式中te1,2,T ;T 为测试时间序列 Tsig 的信号点数量;r1,2,R,R为参考时间序列Rsig的信号点数量。信号点的距离采用欧氏距离，即：Ct,=IITsig,-Rsig,ll(2)构建累计距离矩阵D rig.Rig=d.,1,其中,t e1,2,.,T,re1,2,.,R。累计距离矩阵元素d，代表的是从两条时间序列信号的起始点对（Tsigi，R s i g l）到当前信号点对（Tsigt，Rsig,)之间的信号序列对应的规整后累计距离，也就是两规整信号序列段的相似性度量。根据单调性原则和连续性原则,达到当前规整数据点对的路径必经过该点对左侧（若有）、左下方（若有）、正下方（若有）三个点对之一，且为了使得达到该数据点对的路径最优，则仅可能来自三个点对中累计距离最小的点对，如图2 所示。i-1i图2 累计距离矩阵计算示意图Fig.2 Calculation schematic diagram of accumulationdistance matrix12因此,累计距离矩阵的构建方法如下：(a)对于第1行元素：di,=Zc1.i式中 r=1,2,.,R。Vol.60 No.8Aug.15,2023(1)(2)计1(3)第6 0 卷第8 期2023年8 月15日(b)对于第1列元素：d.=式中te1,2,.,T。(c)对于其他元素：d.,=C.,+min fd-1,r,d-1,r-1,ds,r-式中re2,3,.,R;te2,3,.,T。（3）回溯搜索最佳规整路径：W=(w,式中w=(t,r);te1,2,T,代表Tsig第t个信号点Tsig,的序号;rE1,2,R ,代表Rsig第r个信号点Rsig,的序号。（a)从累计距离矩阵Drig,Rig右上角元素dr,r开始，即两条时间序列信号的最末端，将该点位置坐标（T，R)记录为规整映射的最后一个点Wend=（T，R）；并将该点记录为当前规整映射点（i，j）=（T，R)；(b)找寻当前规整映射点（i，j)的上一级映射点。根据累计距离矩阵的构建方法，当前规整映射点的上级映射点应为其左侧（i-1，j）左下方（i-1，j-1）、正下方（i，j-1）三个映射点中累计距离的最小值,记录该最小值对应的时序信号点的位置坐标为（t，r）；并替换当前规整映射点(i，j）=（t，r);（c)重复步骤（b），直到抵达两条时间序列信号的起始点,将位置坐标记录为规整映射的第一个点wslar=(1,1)。由于累计距离矩阵的每一个元素，代表的是从两条时序信号的起始点到当前数据点对的最佳规整路径对应的累计距离，按此方法计算得到终止点累计距离也是两条时序信号通过最优规整路径映射的距离。因此，上述回溯得到的路径即是最佳规整路径,如图3所示。4曲线1曲线2图3最佳规整路径示意图Fig.3 Schematic diagram of optimal warping path2基于DTW的负荷主要生产时段提取基于DTW的负荷主要生产时段提取，主要利用已知生产时段的参考功率曲线，与未知生产时段的测试负荷功率曲线进行时间尺度上的拉伸或压缩，求取两条功率曲线之间的最优规整路径，根据规整路径表搜电测与仪 表Electrical Measurement&Instrumentation索计算测试负荷的主要生产时段。假定测试负荷日功率曲线为Tsig=iTsig,f，t E(4)1,2,T,测量点时间间隔T,基于DTW的负荷主要生产时段提取方法包括以下步骤：(1)构建参考功率曲线Rsig=Rsig,rE1,2,(5).,R。Rsig.=(i,TumsrrurO,r Tiend(6)式中risan为参考功率曲线设定的生产时段起点时刻t_start对应的数据点编号;rt_end为终点时刻t_end对应的数据点编号。(2)对测试负荷曲线进行归一化处理，得到归一化的测试功率曲线 Tsigu=Tsigu,te1,2,T 。归一化算法为：Tsig,-Tsig minTsig.=Tsigmm-Tsigm.式中Tsigmax为测试负荷的最大功率；Tsigmin为最小功率。(3)对归一化后的测试负荷功率曲线与参考功率曲线,利用DTW算法,求取最佳规整路径W=w,Wk=(t,r),te1,2,.,T,re1,2,.,R;(4)在最佳规整路径W中,搜寻参考功率曲线的生产时段起始时刻数据点ri_slan对应的正序第一个数据点编号，记录为w=（t _s a t，T i s a n）;搜寻参考功率曲线的生产时段终点时刻数据点ri_end对应的倒序第一个数据点编号,记录为W。=（t _e n d，T i _e n d）。则t_starvtiend为测试负荷功率曲线生产时段的起点和终点对应的数据点编号；(5)根据测量点时间间隔T,将测试负荷生产时段起点和终点对应的数据点编号换算成为时间，并计算主要生产时段时长。3算例分析为验证文章提出的基于DTW算法提取负荷主要生产时段方法的有效性，文章选取西南某区域41个典型商业负荷样本功率曲线数据进行了测试。样本曲线TestData均为96 点日功率曲线，代表采2345Vol.60 No.8Aug.15,2023(7)(8)6891012样间隔为15min。为不降低辨识精度,构造参考功率曲线RefData也为96 点曲线，假设功率曲线起始时刻t_start为8 点,终点时刻t_end为2 0 点,则起始、终点时刻点的数据编号rustan和r_end分别为32 和8 0。归一化后的41个典型商业负荷样本曲线如图4所示。3.1典型负荷的动态规整变换选取其中某一样本负荷曲线进行动态规整变化。其原始归一化负荷曲线与参考功率曲线如图5所示。一53一第6 0 卷第8 期2023年8 月15日nd率0图4归一化的样本负荷曲线Fig.4Normalized sample load curves1.510-0.50图5DTW前的负荷曲线Fig.5 Test load curve before DTW对负荷曲线1与参考功率曲线进行动态时间规整变换，得到累计距离热图和最佳规整路径,如图6 所示。最佳规整路径2040参考数据点图6累计距离矩阵热图与最佳规整路径Fig.6Accumulated distance matrix heat mapand optimal warping path绘制动态时间规整后的两条功率曲线，如图7所示。nd/率虹一1.510.50-0.50图7DTW后的负荷曲线Fig.7 Load curve after DTW利用欧式距离及皮尔逊相关系数，分别计算规整前后两条功率曲线的相似度。计算结果如表1所示。可见，经过动态规整，测试曲线和参考曲线的欧氏一54一电测与仪 表Electrical Measurement&Instrumentation距离从3.0 7 59减少至1.7 0 36，两曲线的皮尔逊相关系数从0.8 0 33显著提高到0.97 55，且测试负荷功率曲线与参考功率曲线的起始、终止时刻重合。表明，通过DTW可以实现测试负荷与参考负荷的主要生产时段起始、终止点对应，进而实现测试负荷主要生产时段2040测量数据点参考曲线测试曲线2040测量数据点累计距离6080参考曲线测试曲线50100规整路径点Vol.60 No.8Aug.15,202360801006080累计距离150的测算。Tab.1Similarity of load curves before and after DTW规整前欧式距离3.075 9相关系数0.803 33.2数据异常对主要生产时段提取的影响由于数据测量异常或传输异常14，电网智能采集系统获取的数据不可避免的存在误差、缺失或异常等100问题15,现有的异常数据修复方法仅能对噪声数据进行识别和填充16 ，而对于处于主要生产时段、位于正常功率范围的用电数据修复方法并不完善。同时，基于数据挖掘的异常检测方法计算复杂17 ,在工程应用中并不能满足实时计算需求。因此，文章开展了异常数据对DTW算法识别主要生产时段的影响分析，测试其在工程应用中的潜力。443838305下面,文章在正常功率数据中人为引人异常数据，随机生成位于0-1之间的数据,模拟测量异常数据，并随机插入原始信号中。对于原始功率信号和插人异常数据的功率信号，分别利用DTW辨识算法计算主要生产时段，测试DTW算法在异常功率数据影响下的主要生产时段辩识性能。测试结果如图8 所示。nd/率-E10.500d/厚率10.50一0图8 异常测量数据下的DTW算法辨识情况对比Fig.8Recognition comparison based on DTW underthe influence of abnormal data从图8(a)可以看出,在原始功率信号中,DTW辨识得到的主要生产时段起于数据点36（对应9点），终止于数据点8 6（对应2 1点30 分）。从图8（b)看出，在随机加人10 个随机异常数据后，DTW辨识得到的主要生产表1DTW前后曲线相似度规整后1.703 60.975 5参考H曲线测试曲线HHHH2040(a）原始功率信号下的辨识参考曲线测试曲线H2040测量数据点（b）插入异常数据下的辨识变化-1.372.30.172.26080大大6080100100第6 0 卷第8 期2023年8 月15日时段同样起于数据点36（对应9点），终止于数据点8 6（对应2 1点30 分）。表明，在异常测量数据的背景下，DTW算法辨识得到的主要生产时段与没有异常数据时的结果没有差异，验证了DTW算法在开展负荷主要生产时段辨识时,可有效克服异常测量数据的影响。3.3负荷波动对生产时段提取的影响选取在生产时段内波动较大的负荷曲线，分别采用搜寻最大上升下降点算法和DTW算法辨识负荷主要生产时段，测试负荷大幅波动对生产时段辨识的影响。结果如图9所示。nd率虹21.51测试曲线0.5大/0-0.55020图9DTW算法与最大上升下降点搜索算法对比Fig.9Comparison of DTW algorithm with the method ofidentifying rising and falling points序号T_S19:0027:3039:1548:3058:1569:3079:1589:0098:45398:30407:30418:30Avg8:320:48表2 显示,基于DTW方法计算得到的主要生产时段时长误差均值为46 min，相对误差5.97%，标准差为36min。而利用最大上升下降点辨识得到时长误差均值和标准差明显高于DTW方法，分别为3h55min和4h45min，时长相对误差30.52%，较DTW算法计算的时长相对误差高2 4.55个百分点，标准差大4h9min。电测与仪 表Electrical Measurement&Instrumentation从图9可以看出，负荷开始生产和终止生产时刻点分别约为8 点30 分与2 1点45分，对应图中的数据点34和数据点8 7。在生产时段内，负荷波动幅度较大,其均值为0.6 0 7 2,标准差为0.1940。利用最大上升下降沿识别方法得到的开始生产时刻和终止生产时刻数据点分别为40 和57,分别对应10点和14点15分；而利用DTW算法测算得到的开始生产时刻和终止生产时刻数据点分别为35和8 7,分别对应8 点45分和2 1点45分。可见，利用上升下降沿算法识别负荷主要生产起始和终止时刻点，容易受到负荷波动的影响；而DTW算法受负荷波动的影响相对较小，能够更加准确的识DTW识别结果别到负荷的主要生产时段。3.4负荷主要生产时段的测算与对比H利用DTW算法对41个测试样本负荷的起始、终上升下降沿识别结果4060测量数据点表2 主要生产时段测算结果与误差Tab.2Recognition results and deviations of main production period实际数据T_E21:1521:4521:1522:3021:4522:0022:0022:3022:3021:3020:3020:0021:221:07Vol.60 No.8Aug.15,202380100T_DT_S12:159:1514:158:1512:009:3014:009:1513:308:3012:309:4512:459:3013:309:1513:4510:3013:008:4513:008:0011:309:0012:508:541:190:45止时刻点、主要生产时段时长进行计算。同时，与搜寻最大上升下降点辨识主要生产时段的方法进行对比。辨识结果及两种方法的测算误差如表2 所示。其中,T_S代表主要生产时段起始时刻,T_E代表终止时刻,T_D代表主要生产时段时长,T_Err代表时长计算误差,Avg代表均值,代表标准差。DTW方法计算结果上升下降点辨识结果T_ET_D21:1512:0021:4513:3021:0011:3021:4512:3021:3013:0022:0012:1522:0012:3021:3012:1521:1510:4521:0012:1520:1512:1519:4510:4520:5812:041:081:19从具体样本来看,基于DTW方法计算得到的时长误差最大的为9号样本，测算误差为3h，而该样本在利用上升下降点辨识的时长误差为13h30min。因此，整体来看，基于DTW方法计算的时长误差相对上升下降点辨识方法计算的误差更小，计算结果更加准确。一55一T_Err0:150:450:301:300:300:150:151:153:000:450:450:450:460:36T_S9:008:009:1517:458:159:459:159:0011:308:308:159:009:523:15T_E21:1510:3021:0022:3021:3022:0022:0012:4511:45.21:0020:1519:4518:563:56T_D12:152:3011:454:4513:1512:1512:453:450:1512:3012:0010:459:034:49T_Err0:0011:450:159:150:150:150:009:4513:300:301:000:453:554:45第6 0 卷第8 期2023年8 月15日4结束语文章提出了一种利用动态时间规整实现重要商业主要生产时段提取的方法，为商业体发展情况评估、重要用户画像提供了重要的参考指标。研究结论如下：（1)受商业用户负荷波动影响，传统的利用用电功率上升下降点辨辩识的方法误差较大，难以准确提取生产时段的起始和终止时间。实际算例表明，利用该方法辨识的时长相对误差达到30.52%；(2)利用动态时间规整方法进行营业时间辨识可以极大减少负荷波动对分析结果的影响,算法鲁棒性更强。同时,利用DTW算法，可以利用标准曲线伸缩的思路去适应不同营业时间的企业，计算简便；（3）西南某区域典型商业负荷功率数据测算结果表明,利用文中提出的方法可以准确的得到商业用户的主要生产时段，时长相对误差约为5.97%，较基于负荷上升下降的方法减少2 4.55个百分点。1 Lu R,Zhao X,Li J,et al.Genomic characterization and epidemiologyof 2019 novel coronavirus:implications for virus origins and receptorbindingJ.Lancet,2020,395(10224):565-574.2宋亚奇，周国亮，朱永利智能电网大数据处理技术现状与挑战J电网技术，2 0 13，37（4)：92 7-935.Song Yaqi,Zhou Guoliang,Zhu Yongli.Present status and challengesof big data processing in smart grid J.Power System Technology,2013,37(4):927-935.3】王志勇，曹一家.电力客户负荷模式分析J电力系统及其自动化学报，2 0 0 7，（3)：6 2-6 5.Wang Zhiyong,Cao Yijia.Electric power system load profiles analysisJ.Proceedings of the Chinese Society of Universities for Electric Pow-er System and Automation,2007,(3):62-65.【4张小斐，魏玲，王自强，等基于负荷特性的大用户业扩辅助分析方法J.电测与仪表，2 0 19，56（12）：44-48，8 4.5费鹏，林鸿飞，杨亮，等一种用于构建用户画像的多视角融合框架J.计算机科学，2 0 18，45（1）：17 9-18 2，2 0 4.Fei Peng,Lin Hongfei,Yang Liang,et al.Multi-view ensemble frame-work for constructing user profile J.Computer Science,2018,45(1):179-182,204.6孙煜华，吴永欢，林志波，等基于大数据平台的居民负荷变尺度画像技术实现与应用J.供用电，2 0 19，36（8）：41-48.Sun Yuhua,Wu Yonghuan,Lin Zhibo,et al.Research on the tech-nique of variable scale refined user portrait of load based on big dataplatformJ.Distribution&Utilization,2019,36(8):41-48.7】李天阳，赵兴旺，肖文举面向峰谷平衡的商业楼宇空调负荷调控技术J电力系统自动化，2 0 15，39（17）：96-10 2.8徐涛，黄莉，李敏蕾，等基于多维细粒度行为数据的居民用户画像方法研究J电力需求侧管理，2 0 19，2 1（3）：47-52，58.9王成亮，郑海雁基于模糊聚类的电力客户用电行为模式画像J.电测与仪表，2 0 18，55（18）：7 7-8 1.Wang Chengliang,Zhen Haiyan.A portrait of electricity consumptionbehavior mode of power users based on fuzzy clusteringJ.ElectricalMeasurement&Instrumentation,2018,55(18):77-81.10李秀：基于DTW和GMM的多维特征说话人识别D.南京邮电一56 一电测与仪 表Electrical Measurement&Instrumentation大学,2 0 19.Li Xiu.Multi-features for speaker recognition based on DTW and GMMD.Nanjing University,2019.11杜奕.时间序列挖掘相关算法研究及应用D.中国科学技术大学,2 0 0 7.Du Yi.Research on mining and its application in time series databaseD.University of Science and Technology of China,2007.12梁秀霞，陈娇娇，严婷，等基于自适应动态时间规整（DTW)的GA-FCM多阶段间歇过程故障诊断J.北京化工大学学报（自然科学版），2 0 19,46(5)：8 7-93.Liang Xiuxia,Chen Jiaojiao,Yan Ting,et al.Fault diagnosis of GA-FCM multi-stage batch processes based on adaptive dynamic time war-ping algorithm J.Journal of Beijing University of Chemical Technology(Natural Science Edition),2019,46(5):87-93.13许冲冲，罗勋华，郭上华，等基于时间序列压缩动态时间弯曲距离故障区段定位J电测与仪表，2 0 19，56（10）：12 7-133.14裴茂林，黄洋界，赵伟，等.智能电能表异常测量数据诊断方法综述J.电测与仪表，2 0 18，55（2 3）：12 9-135，145.Pei Maolin,Huang Yangjie,Zhao Wei,et al.A review on outlier de-tection techniques for smart meter data analytic J.Electrical Measure-参考文献ment&Instrumentation,2018,55(23):129-135,145.15沈海涛，秦靖雅，陈浩，等电力用户用电数据的异常数据审查和分类J电力与能源，2 0 16，37（1）：17-2 2.Shen Haitao,Qin Jingya,Chen Hao,et al.Anomaly detection and categoryof electrical utilization dataJ.Power&Energy,2016,37(1):17-22.16梁寿愚，方文崇，王瑾，等基于图规则化低秩矩阵恢复的用电数据修复与异常检测J.电力系统自动化，2 0 19，43（2 1）：2 2 1-2 30.Liang Shouyu,Fang Wenchong,Wang Jin,et al.Refinement and a-nomaly detection for power consumption data based on recovery of graphregularized low-rank matrix J.Automation of Electric Power Systems,2019,43(21):221-230.17肖勇，郑楷洪，余忠忠，等.基于三次指数平滑模型与DBSCAN聚类的电量数据异常检测J电网技术，2 0 2 0，44（3）：10 99-110 4.Xiao Yong,Zheng Kaihong,Yu Zhongzhong,et al.Power data anomalydetection based on Holt-winters model and DBSCAN clustering J.Power System Technology,2020,44(3):1099-1104.作者简介：罗晓伊（197 8 一），女，高级工程师，硕士，从事企业运营监控管理、电力数据应用研究。滕予非（198 4一），男，高级工程师，博士，从事超特高压交直流电网的控制与保护、电力数据挖掘研究。李坚(198 4一），男，副教授，博士，从事电力系统广域测量与控制、电力大数据研究。靳旦（1994一），女，工程师，硕士，从事电力系统分析、电力数据挖掘应用研究。收稿日期：2 0 2 0-0 4-0 2；修回日期：2 0 2 1-0 5-0 8(杜景飞编发)Vol.60 No.8Aug.15,2023唐伟（1990 一）,男，工程师，硕士，从事电网分析、电力数据挖掘研究。Email: