本文为您介绍如何通过PAI-Studio预置实验模板,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。

数据集

本实验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PAI-Studio控制台。
    1. 登录PAI控制台
    2. 在左侧导航栏,选择模型开发和训练 > Studio-可视化建模
    3. PAI可视化建模页面,单击进入机器学习进入机器学习
  2. 构建实验。
    1. 在PAI-Studio控制台的左侧导航栏,单击首页
    2. 模板列表,单击用户窃电识别下的从模板创建
    3. 新建实验对话框,配置参数(可以全部使用默认参数)。
      参数 描述
      名称 输入用户窃电识别
      项目 不支持修改。
      描述 输入构建窃漏电用户的识别模型,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
      位置 选择我的实验
    4. 单击确定
    5. 可选:等待大约十秒钟,在PAI-Studio控制台的左侧导航栏,单击实验
    6. 可选:我的实验下,单击用户窃电识别_XX
      其中 我的实验为已配置的实验 位置用户窃电识别_XX为已配置的实验 名称_XX为系统自动添加的实验序号)。
    7. 系统根据预置的模板,自动构建实验,如下图所示。
      窃漏电实验
      区域 描述
      统计分析:
      1. 通过相关系数矩阵组件,观察各特征对是否窃漏电的影响。实验运行完成后,您可以右键单击画布中的相关系数矩阵-1,在快捷菜单,单击查看分析报告,查看各特征对是否窃漏电的影响。
      2. 通过数据视图,查看各特征列与目标列的数据分布关系。本实验中,特征列power_usage_decline_levelline_loss_ratewarning_num目标列is_theff
      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。本实验的训练特征列power_usage_decline_levelline_loss_ratewarning_num,目标列为is_theff
      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. 运行实验并查看输出结果。
    1. 单击画布上方的运行
    2. 实验运行结束后,右键单击画布中的相关系数矩阵-1,在快捷菜单,单击查看分析报告
    3. 相关系数矩阵对话框,选中显示相关系数复选框,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_theff)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. 右键单击画布中的逻辑回归二分类-1,在快捷菜单,单击模型选项 > 查看模型,即可查看各特征对结果的权重。用户窃漏电模型
    5. 右键单击画布中的二分类评估-1,在快捷菜单,单击查看分析报告
    6. 评估报告对话框,单击图表页签,查看模型评估指标。
      窃漏电模型评估结果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0.9以上,即用户窃漏电模型的预测准确率很高。