用戶竊電識別
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
已創(chuàng)建工作空間,詳情請參見創(chuàng)建工作空間。
已將MaxCompute資源關聯(lián)到工作空間,詳情請參見管理工作空間。
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
進入Designer頁面。
登錄PAI控制臺。
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)。
在工作空間頁面的左側導航欄選擇 ,進入Designer頁面。
構建工作流。
在Designer頁面,單擊預置模板頁簽。
在模板列表的用戶竊電識別區(qū)域,單擊創(chuàng)建。
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。
單擊確定。
您需要等待大約十秒鐘,工作流可以創(chuàng)建成功。
在工作流列表,雙擊用戶竊電識別工作流,進入工作流。
系統(tǒng)根據(jù)預置的模板,自動構建工作流,如下圖所示。
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。
運行工作流并查看輸出結果。
單擊畫布上方的運行按鈕。
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。
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。
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。
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。
在評估報告對話框,單擊評估圖表頁簽,查看模型評估指標。
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
關于算法組件更詳細的內(nèi)容介紹,請參見相關系數(shù)矩陣、數(shù)據(jù)視圖。
您可以使用Designer完成其他的AI開發(fā)任務,關于Designer更詳細的內(nèi)容介紹,請參見Designer概述。