阿里云人工智能平台PAI用户窃电识别-云淘科技

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

本工作流的数据集包括如下字段。

用户窃电识别

1. 进入PAI-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. 在PAI-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. 在新建工作流对话框，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。

      

      区域	描述
      ①	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。工作流运行完成后，您可以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，查看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，特征列为power_usage_decline_level、line_loss_rate及warning_num，目标列为is_theff。
      ②	将数据集按照8:2拆分为训练数据集和预测数据集。
      ③	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为power_usage_decline_level、line_loss_rate及warning_num，目标列为is_theff。
      ④	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。

   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. 在相关系数矩阵对话框，查看各特征对是否窃漏电的影响。

      power_usage_decline_level、line_loss_rate及warning_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. 右键单击画布中的二分类评估，在快捷菜单，单击可视化分析。

   5. 在评估报告对话框，单击评估图表页签，查看模型评估指标。

      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。