该能耗异常检测分析数据在为持续的、大规模的能耗数据监控体系提供一个自动化的“哨兵”功能。该模型可针对业务低活跃期或无人值守时段的能耗脉搏进行监测，定位那些偏离正常模式的异常点。通过多维度算法的融合评判，将原本依赖人工经验的、被动的异常排查，转变为一个主动发现、早期预警的智能化流程。这不仅提升了运营管理的效率和可靠性，更能通过对异常根源的追溯，为优化决策提供数据洞察，从而实现成本的节约与系统稳健性的增强。
1.数据来源：收集公司研发的智慧能源软件产品在浙江地区2023年1日1月到2024年12月31日某园区夜间能耗数据，包括年份、日期、夜间总耗电（kWh）、夜间常用设备总能耗（kWh）、夜间常开设备能耗比例等字段，其中“夜间常开设备能耗比例”=“夜间总耗电”/“夜间常用设备总能耗”；2.算法加工：能耗数据的异常检测分析采用了多算法融合的策略，通过Z分数法计算每个数据点相对于整体分布的标准化偏差（公式：Z = |X-μ|/σ），当Z值超过3倍标准差时标记为异常；运用四分位距法基于数据分布的四分位数（Q1、Q3）和四分位距（IQR=Q3-Q1）设定正常值范围（下限：Q1-1.5×IQR，上限：Q3+1.5×IQR），超出该范围的数据被视为异常；针对能耗比例逻辑设置了多重校验规则，包括比例超过150%、比例为负值、零能耗时比例非零、设备能耗大于总能耗等异常情形；最后采用孤立森林算法（参数包含树数量、采样策略、污染率、特征数、随机种子）进行无监督异常检测，得到孤立森林异常分数；3.最终评估：综合各算法结果通过加权平均（公式：综合异常评分 = (Z分数异常 + 四分位距异常 + 比例逻辑异常 + 孤立森林异常) / 4）生成0-1的异常评分，并依据评分区间划分为三个等级：评分≤0.3为正常，0.3<评分≤0.7为可疑，评分>0.7为异常。
| 字段名 | 类型 | 描述 |
|---|---|---|
年份 |
-- | -- |
日期 |
-- | -- |
夜间总耗电（kWh） |
-- | -- |
夜间常用设备总能耗（kWh） |
-- | -- |
夜间常开设备能耗比例 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 年份 | 2024,2023,2023,2023,2024 |
| 日期 | 03月22日,04月07日,03月13日,05月16日,04月16日 |
| 夜间总耗电（kWh） | 1912,5940,2033.2,4335.2,3141.6 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/8428765