全部產品
Search
文件中心

Platform For AI:使用者竊電識別

更新時間:Jul 13, 2024

本文為您介紹如何通過Designer預置工作流程範本,快速構建竊漏電使用者的識別模型,達到自動檢查使用者是否竊漏電的目的,從而大幅度降低稽查工作人員的工作量、保障使用者正常用電及安全用電。

背景資訊

傳統防竊漏電主要通過定期巡檢、定期校正電錶及使用者舉報等方法發現竊電或計量裝置故障,該方法強依賴於人工手段,且抓竊查漏的目標不明確。通常供電局通過計量異常警示功能和電能量資料查詢功能,人工線上監督使用者用電情況。例如通過採集電量異常、負荷異常、終端警示、主站警示及線損異常等資訊監測竊漏電情況及計量裝置故障,或根據警示事件發生前後客戶計量點電流、電壓及負荷資料情況,構建基於指標加權的用電異常分析模型,從而檢查使用者是否竊電或計量裝置故障等。

傳統的防竊漏電方法雖然能夠獲得用電異常資訊,但是由於終端誤判或漏報過多,因此無法快速精確地定位竊漏電嫌疑使用者,導致稽查工作無法開展。傳統方法建模時,專家需要根據知識和經驗判斷模型輸入指標的權重,具有強主觀性,導致實施效果不理想。

電源計量自動化系統能夠採集用電負荷資料(例如電流、電壓及功率)及用電異常等終端警示資訊,該資料能夠反映使用者用電情況。同時,稽查工作人員通過線上稽查系統和現場稽尋找出竊漏電使用者,並錄入系統。通過從這些資料提取竊漏電使用者的關鍵特徵,構建竊漏電使用者的識別模型,可以自動檢查使用者是否竊漏電,從而大幅度降低稽查工作人員的工作量、保障使用者正常用電及安全用電。

前提條件

資料集

本工作流程的資料集包括如下欄位。

欄位名

類型

參數

power_usage_decline_level

BIGINT

電量趨勢下降指標

line_loss_rate

BIGINT

線損指標

warning_num

BIGINT

警示類指標數量

is_theff

BIGINT

是否竊漏電

使用者竊電識別

  1. 進入Designer頁面。

    1. 登入PAI控制台

    2. 在左側導覽列單擊工作空間列表,在工作空間列表頁面中單擊待操作的工作空間名稱,進入對應的工作空間。

    3. 在工作空間頁面的左側導覽列選擇模型開發與訓練 > 可視化建模(Designer),進入Designer頁面。

  2. 構建工作流程。

    1. Designer頁面,單擊預置模板頁簽。

    2. 在模板列表的使用者竊電識別地區,單擊建立

    3. 建立工作流程對話方塊,配置參數(可以全部使用預設參數)。

      其中:工作流程資料存放區配置為OSS Bucket路徑,用於儲存工作流程運行中產出的臨時資料和模型。

    4. 單擊確定

      您需要等待大約十秒鐘,工作流程可以建立成功。

    5. 在工作流程列表,雙擊使用者竊電識別工作流程,進入工作流程。

    6. 系統根據預置的模板,自動構建工作流程,如下圖所示。

      竊漏電實驗

      地區

      描述

      統計分析:

      • 通過相關係數矩陣組件,觀察各特徵對是否竊漏電的影響。

      • 通過資料檢視,查看各特徵列與目標列的資料分布關係。本工作流程中,特徵列power_usage_decline_levelline_loss_ratewarning_num目標列is_theft

      將資料集按照8:2拆分為訓練資料集和預測資料集。

      通過羅吉斯迴歸二分類組件對訓練資料集進行迴歸建模。本工作流程的訓練特徵列power_usage_decline_levelline_loss_ratewarning_num,目標列為is_theft

      通過預測組件預測該模型在預測資料集上的效果,並通過二分類評估組件評估該模型預測的準確性。

  3. 運行工作流程並查看輸出結果。

    1. 單擊畫布上方的運行按鈕image

    2. 工作流程運行結束後,按右鍵畫布中的相關係數矩陣,在捷徑功能表,單擊可視化分析

    3. 相關係數矩陣對話方塊,查看各特徵對是否竊漏電的影響。

      相關性分析結果power_usage_decline_levelline_loss_ratewarning_num特徵對於是否為竊電使用者(is_theft)的關係並不明顯,即決定使用者是否為竊電使用者的特徵並非具有單一性。

    4. 按右鍵畫布中的二分類評估,在捷徑功能表,單擊可視化分析

    5. 評估報告對話方塊,單擊評估圖表頁簽,查看模型評估指標。

      竊漏電模型評估AUC取值越接近1,表示模型的預測準確率越高。本文中的AUC取值達到0.8以上,即使用者竊漏電模型的預測準確率很高。

相關文檔

  • 關於演算法組件更詳細的內容介紹,請參見相關係數矩陣資料檢視

  • 您可以使用Designer完成其他的AI開發工作單位,關於Designer更詳細的內容介紹,請參見Designer概述