收藏！電力竊漏電使用者自動識別,視覺化全流程這樣操作~

過去，大多數的防竊漏電方法主要是通過利用定期的檢查、電錶校驗以及使用者自主報告偷盜等手段，去發掘竊電或測量裝置故障。不過上述方法的一個弊端是，對人的依賴性太強，且抓竊查漏的目標不甚明確。

 

目前，許多供電局主要通過營銷檢查人員、電力檢查人員和計量人員計量異常報警功能和電力資料查詢功能進行使用者電力線上監控，通過收集電力異常、負荷異常、終端報警、主站報警、線路損壞異常資訊，建立資料分析模型，實時監裝置故障。根據報警事件發生前後客戶計量點有關的電流、電壓、負荷資料情況等，構建基於指標加權的用電異常分析模型，實現檢查客戶是否存在竊電、違章用電及計量裝置故障等。

雖然上述防盜漏電的診斷方法可以獲得一些用電異常的資訊，但因為終端誤報或漏報過多，無法真正快速準確地定位可疑使用者，這往往會加重檢查人員的工作負擔。此外，在採用這種方法進行建模時，需要使用專家的知識和經驗來確定輸入指標的權重，主觀性大，缺陷明顯，實施效果往往不令人滿意。

 

現有的電力計量自動化系統能夠採集到各項電流、電壓、功率因數等用電負荷資料以及用電異常等終端報警資訊。異常報警資訊和用電負荷資料可以反映使用者的用電情況。同時，檢查人員還過線上檢查系統和現場檢查詢到洩漏使用者，並輸入系統。異常報警資訊和用電負荷資料可以反映使用者的用電情況。不僅如此，檢查人員還可以通過線上檢查系統和現場檢查詢到洩漏使用者，並輸入系統。

 

下面，小麥帶大家利用智慧BI 平臺Samrtbi的Smartbi Mining資料探勘功能進行建模，利用隨機森林演算法來幫助實現電力竊漏電使用者自動識別。

 

一、案例背景資料說明：

某電力公司採集的資料集共計291條，共有四個欄位，其中目標欄位為是否竊漏電。如下表所示：

部分資料截圖

 

 

二、整體實驗流程圖

首先完成資料讀取，繼而利用特徵選擇、隨機森林拆分等進行模型訓練，最後，進行模型預測與評估從而完成整個操作步驟。