全部产品
Search
文档中心

人工智能平台 PAI:用户窃电识别

更新时间:Jan 10, 2024

本文为您介绍如何通过Designer预置工作流模板,快速构建窃漏电用户的识别模型,达到自动检查用户是否窃漏电的目的,从而大幅度降低稽查工作人员的工作量、保障用户正常用电及安全用电。

背景信息

传统防窃漏电主要通过定期巡检、定期校验电表及用户举报等方法发现窃电或计量装置故障,该方法强依赖于人工手段,且抓窃查漏的目标不明确。通常供电局通过计量异常报警功能和电能量数据查询功能,人工在线监督用户用电情况。例如通过采集电量异常、负荷异常、终端报警、主站报警及线损异常等信息监测窃漏电情况及计量装置故障,或根据报警事件发生前后客户计量点电流、电压及负荷数据情况,构建基于指标加权的用电异常分析模型,从而检查用户是否窃电或计量装置故障等。

传统的防窃漏电方法虽然能够获得用电异常信息,但是由于终端误报或漏报过多,因此无法快速精确地定位窃漏电嫌疑用户,导致稽查工作无法开展。传统方法建模时,专家需要根据知识和经验判断模型输入指标的权重,具有强主观性,导致实施效果不理想。

电力计量自动化系统能够采集用电负荷数据(例如电流、电压及功率)及用电异常等终端报警信息,该数据能够反映用户用电情况。同时,稽查工作人员通过在线稽查系统和现场稽查找出窃漏电用户,并录入系统。通过从这些数据提取窃漏电用户的关键特征,构建窃漏电用户的识别模型,可以自动检查用户是否窃漏电,从而大幅度降低稽查工作人员的工作量、保障用户正常用电及安全用电。

前提条件

数据集

本工作流的数据集包括如下字段。

字段名

类型

参数

power_usage_decline_level

BIGINT

电量趋势下降指标

line_loss_rate

BIGINT

线损指标

warning_num

BIGINT

告警类指标数量

is_theff

BIGINT

是否窃漏电

用户窃电识别

  1. 进入Designer页面。

    1. 登录PAI控制台

    2. 在左侧导航栏单击工作空间列表,在工作空间列表页面中单击待操作的工作空间名称,进入对应工作空间内。

    3. 在工作空间页面的左侧导航栏选择模型开发与训练 > 可视化建模(Designer),进入Designer页面。

  2. 构建工作流。

    1. Designer页面,单击预置模板页签。

    2. 在模板列表的用户窃电识别区域,单击创建

    3. 新建工作流对话框,配置参数(可以全部使用默认参数)。

      其中:工作流数据存储配置为OSS Bucket路径,用于存储工作流运行中产出的临时数据和模型。

    4. 单击确定

      您需要等待大约十秒钟,工作流可以创建成功。

    5. 在工作流列表,双击用户窃电识别工作流,进入工作流。

    6. 系统根据预置的模板,自动构建工作流,如下图所示。

      窃漏电实验

      区域

      描述

      统计分析:

      • 通过相关系数矩阵组件,观察各特征对是否窃漏电的影响。

      • 通过数据视图,查看各特征列与目标列的数据分布关系。本工作流中,特征列power_usage_decline_levelline_loss_ratewarning_num目标列is_theft

      将数据集按照8:2拆分为训练数据集和预测数据集。

      通过逻辑回归二分类组件对训练数据集进行回归建模。本工作流的训练特征列power_usage_decline_levelline_loss_ratewarning_num,目标列为is_theft

      通过预测组件预测该模型在预测数据集上的效果,并通过二分类评估组件评估该模型预测的准确性。

  3. 运行工作流并查看输出结果。

    1. 单击画布上方的运行按钮image

    2. 工作流运行结束后,右键单击画布中的相关系数矩阵,在快捷菜单,单击可视化分析

    3. 相关系数矩阵对话框,查看各特征对是否窃漏电的影响。

      相关性分析结果power_usage_decline_levelline_loss_ratewarning_num特征对于是否为窃电用户(is_theft)的关系并不明显,即决定用户是否为窃电用户的特征并非具有单一性。

    4. 右键单击画布中的二分类评估,在快捷菜单,单击可视化分析

    5. 评估报告对话框,单击评估图表页签,查看模型评估指标。

      窃漏电模型评估AUC取值越接近1,表示模型的预测准确率越高。本文中的AUC取值达到0.8以上,即用户窃漏电模型的预测准确率很高。

相关文档