電力竊漏電用戶自動(dòng)識(shí)別，可視化全流程這樣操作

過(guò)去，大多數(shù)的防竊漏電方法主要是通過(guò)利用定期的檢查、電表校驗(yàn)以及用戶自主報(bào)告偷盜等手段，去發(fā)掘竊電或測(cè)量裝置故障。不過(guò)上述方法的一個(gè)弊端是，對(duì)人的依賴性太強(qiáng)，且抓竊查漏的目標(biāo)不甚明確。

目前，許多供電局主要通過(guò)營(yíng)銷檢查人員、電力檢查人員和計(jì)量人員計(jì)量異常報(bào)警功能和電力數(shù)據(jù)查詢功能進(jìn)行用戶電力在線監(jiān)控，通過(guò)收集電力異常、負(fù)荷異常、終端報(bào)警、主站報(bào)警、線路損壞異常信息，建立數(shù)據(jù)分析模型，實(shí)時(shí)監(jiān)裝置故障。根據(jù)報(bào)警事件發(fā)生前后客戶計(jì)量點(diǎn)有關(guān)的電流、電壓、負(fù)荷數(shù)據(jù)情況等，構(gòu)建基于指標(biāo)加權(quán)的用電異常分析模型，實(shí)現(xiàn)檢查客戶是否存在竊電、違章用電及計(jì)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信息，但因?yàn)榻K端誤報(bào)或漏報(bào)過(guò)多，無(wú)法真正快速準(zhǔn)確地定位可疑用戶，這往往會(huì)加重檢查人員的工作負(fù)擔(dān)。此外，在采用這種方法進(jìn)行建模時(shí)，需要使用專家的知識(shí)和經(jīng)驗(yàn)來(lái)確定輸入指標(biāo)的權(quán)重，主觀性大，缺陷明顯，實(shí)施效果往往不令人滿意。

現(xiàn)有的電力計(jì)量自動(dòng)化系統(tǒng)能夠采集到各項(xiàng)電流、電壓、功率因數(shù)等用電負(fù)荷數(shù)據(jù)以及用電異常等終端報(bào)警信息。異常報(bào)警信息和用電負(fù)荷數(shù)據(jù)可以反映用戶的用電情況。同時(shí)，檢查人員還過(guò)在線檢查系統(tǒng)和現(xiàn)場(chǎng)檢查找到泄漏用戶，并輸入系統(tǒng)。異常報(bào)警信息和用電負(fù)荷數(shù)據(jù)可以反映用戶的用電情況。不僅如此，檢查人員還可以通過(guò)在線檢查系統(tǒng)和現(xiàn)場(chǎng)檢查找到泄漏用戶，并輸入系統(tǒng)。

下面，小麥帶大家利用智能BI 平臺(tái)Samrtbi的Smartbi Mining數(shù)據(jù)挖掘功能進(jìn)行建模，利用隨機(jī)森林算法來(lái)幫助實(shí)現(xiàn)電力竊漏電用戶自動(dòng)識(shí)別。

一、案例背景數(shù)據(jù)說(shuō)明：

某電力公司采集的數(shù)據(jù)集共計(jì)291條，共有四個(gè)字段，其中目標(biāo)字段為是否竊漏電。如下表所示：

部分?jǐn)?shù)據(jù)截圖

二、整體實(shí)驗(yàn)流程圖

首先完成數(shù)據(jù)讀取，繼而利用特征選擇、隨機(jī)森林拆分等進(jìn)行模型訓(xùn)練，最后，進(jìn)行模型預(yù)測(cè)與評(píng)估從而完成整個(gè)操作步驟。

審核編輯：符乾江