在实际业务开展中使用有监督学习方法识别用电异常用户，存在较多的隐形成本。本文运用用户尖、峰、平、谷各个时间段的日电量数据，提出一种无监督学习算法识别用电异常用户，简单高效助力电网企业日常计量的异常数据治理方法。
常规的用电异常用户识别，是在用户标签已知的情况下，使用分类算法进行用电异常用户监测。事实上，如果使用有监督学习方法识别用电异常用户，意味着需要维护“用户用电异常”或“用电正常”的标签。在实际工作中，用户的标签一般需要现场或者地市专工手动维护。所以，用户标签的维护有一定的维护成本。
因此，在实际应用中，使用有监督学习方法识别用电异常用户，存在较多的隐形成本。而使用无监督识别的方法做用电异常用户识别，能很好地规避上述问题，达到简单高效的效果。
在算法选择上，选择CBLOF作为异常用户识别算法。CBLOF是Cluster-based Local Outlier Factor简称，即基于聚类的本地异常因子识别。
该算法的基本思想是：数据可能会在多个不同的地方聚集，形成簇。当一个点越接近大簇时，是正常点的概率就越高，反之当一个点远离大簇时，是正常点的概率就越低。
在CBLOF里面，只要套一个聚类算法，就能得到这些簇。一般会用k-means算法，距离可以采用欧氏距离。
从业务定义上来说，文中所说的用电异常&#