<< Click to Display Table of Contents >> 当前位置:  深度分析 > 案例介绍  电力窃漏电用户识别 复制链接

1.背景介绍

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。

2.数据说明

某电力企业提供了漏电信息表，记录了电力计量自动化系统采集的终端告警数据。共计291条记录，数据字段描述如表所示。

3.方案介绍

1)模型工作流搭建

本案例采用Python脚本节点将计量自动化采集的数据进行数据处理（LLE降维）并通过可视化展示降维效果，根据可视化结果可以进一步分析漏窃电用户与非漏窃电用户之间的分布规律。

2)编写Python脚本

Python绘图节点是一种通过编写Python脚本进行图表绘制的节点。点击节点，可根据其中的注释信息的指引编写代码，注释中明确了如何通过前置节点输入信息，如何将当前节点信息向后输出，如图所示。

其中，采用sklearn库中的LLE方法进行降维，将AlarmNumber，ElecticQuantityDowntrend，LineLoss三个特征维度降为二维。采用ElecticLeakage特征作为颜色系列的标记，依此分析漏窃电用户与非漏窃电用户之间的分布规律。

4.结果说明

绘图节点运行后输出了漏窃电可视化图，如图所示。

图中蓝色为漏窃电数据点，由原三维特征数据图和降维后的二维特征数据图，均可知有漏窃电行为的用户，呈现出比较明显的聚集分布，在后续的建模过程中可以采用异常分析算法，进一步分析电流的异常情况。