日本熟妇hd丰满老熟妇,中文字幕一区二区三区在线不卡 ,亚洲成片在线观看,免费女同在线一区二区

AI 助理
備案控制臺
文檔
有獎調(diào)研
輸入文檔關鍵字查找
首頁 人工智能平臺 PAI 實踐教程 通用方案 Designer通用方案 用戶竊電識別

用戶竊電識別

更新時間：
產(chǎn)品詳情
相關技術圈
我的收藏

本文為您介紹如何通過Designer預置工作流模板，快速構建竊漏電用戶的識別模型，達到自動檢查用戶是否竊漏電的目的，從而大幅度降低稽查工作人員的工作量、保障用戶正常用電及安全用電。

背景信息

傳統(tǒng)防竊漏電主要通過定期巡檢、定期校驗電表及用戶舉報等方法發(fā)現(xiàn)竊電或計量裝置故障，該方法強依賴于人工手段，且抓竊查漏的目標不明確。通常供電局通過計量異常報警功能和電能量數(shù)據(jù)查詢功能，人工在線監(jiān)督用戶用電情況。例如通過采集電量異常、負荷異常、終端報警、主站報警及線損異常等信息監(jiān)測竊漏電情況及計量裝置故障，或根據(jù)報警事件發(fā)生前后客戶計量點電流、電壓及負荷數(shù)據(jù)情況，構建基于指標加權的用電異常分析模型，從而檢查用戶是否竊電或計量裝置故障等。

傳統(tǒng)的防竊漏電方法雖然能夠獲得用電異常信息，但是由于終端誤報或漏報過多，因此無法快速精確地定位竊漏電嫌疑用戶，導致稽查工作無法開展。傳統(tǒng)方法建模時，專家需要根據(jù)知識和經(jīng)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。

電力計量自動化系統(tǒng)能夠采集用電負荷數(shù)據(jù)（例如電流、電壓及功率）及用電異常等終端報警信息，該數(shù)據(jù)能夠反映用戶用電情況。同時，稽查工作人員通過在線稽查系統(tǒng)和現(xiàn)場稽查找出竊漏電用戶，并錄入系統(tǒng)。通過從這些數(shù)據(jù)提取竊漏電用戶的關鍵特征，構建竊漏電用戶的識別模型，可以自動檢查用戶是否竊漏電，從而大幅度降低稽查工作人員的工作量、保障用戶正常用電及安全用電。

前提條件

數(shù)據(jù)集

本工作流的數(shù)據(jù)集包括如下字段。

字段名

類型

參數(shù)

power_usage_decline_level

BIGINT

電量趨勢下降指標

line_loss_rate

BIGINT

線損指標

warning_num

BIGINT

告警類指標數(shù)量

is_theff

BIGINT

是否竊漏電

用戶竊電識別

  1. 進入Designer頁面。

    1. 登錄PAI控制臺。

    2. 在左側導航欄單擊工作空間列表，在工作空間列表頁面中單擊待操作的工作空間名稱，進入對應工作空間內(nèi)。

    3. 在工作空間頁面的左側導航欄選擇模型開發(fā)與訓練 > 可視化建模（Designer），進入Designer頁面。

  2. 構建工作流。

    1. 在Designer頁面，單擊預置模板頁簽。

    2. 在模板列表的用戶竊電識別區(qū)域，單擊創(chuàng)建。

    3. 在新建工作流對話框，配置參數(shù)（可以全部使用默認參數(shù)）。

      其中：工作流數(shù)據(jù)存儲配置為OSS Bucket路徑，用于存儲工作流運行中產(chǎn)出的臨時數(shù)據(jù)和模型。

    4. 單擊確定。

      您需要等待大約十秒鐘，工作流可以創(chuàng)建成功。

    5. 在工作流列表，雙擊用戶竊電識別工作流，進入工作流。

    6. 系統(tǒng)根據(jù)預置的模板，自動構建工作流，如下圖所示。

      竊漏電實驗

      區(qū)域

      描述

      ①

      統(tǒng)計分析：

      • 通過相關系數(shù)矩陣組件，觀察各特征對是否竊漏電的影響。

      • 通過數(shù)據(jù)視圖，查看各特征列與目標列的數(shù)據(jù)分布關系。本工作流中，特征列為power_usage_decline_level、line_loss_rate及warning_num，目標列為is_theft。

      ②

      將數(shù)據(jù)集按照8:2拆分為訓練數(shù)據(jù)集和預測數(shù)據(jù)集。

      ③

      通過邏輯回歸二分類組件對訓練數(shù)據(jù)集進行回歸建模。本工作流的訓練特征列為power_usage_decline_level、line_loss_rate及warning_num，目標列為is_theft。

      ④

      通過預測組件預測該模型在預測數(shù)據(jù)集上的效果，并通過二分類評估組件評估該模型預測的準確性。

  3. 運行工作流并查看輸出結果。

    1. 單擊畫布上方的運行按鈕image。

    2. 工作流運行結束后，右鍵單擊畫布中的相關系數(shù)矩陣，在快捷菜單，單擊可視化分析。

    3. 在相關系數(shù)矩陣對話框，查看各特征對是否竊漏電的影響。

      相關性分析結果power_usage_decline_level、line_loss_rate及warning_num特征對于是否為竊電用戶（is_theft）的關系并不明顯，即決定用戶是否為竊電用戶的特征并非具有單一性。

    4. 右鍵單擊畫布中的二分類評估，在快捷菜單，單擊可視化分析。

    5. 在評估報告對話框，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，即用戶竊漏電模型的預測準確率很高。

相關文檔