电力数据可视化应用案例

发布时间：2020-09-21      游览量：2739

• 大数据审计数据分析作图软件数据处理

背景描述

传统的防窃漏电方法主要通过定期巡检、定期校验电表、用户举报窃电等手段来发现窃电或计量装置故障。但这种方法对人的依赖性太强，抓窃查漏的目标不明确。目前，很多供电局主要通过营销稽查人员、用电检查人员和计量工作人员利用计量异常报警功能和电能量数据查询功能开展用户用电情况的在线监控工作，通过采集电量异常、负荷异常、终端报警、主站报警、线损异常等信息，建立数据分析模型，来实时监测窃漏电情况和发现计量装置的故障。根据报警事件发生前后客户计量点有关的电流、电压、负荷数据情况等，构建基于指标加权的用电异常分析模型，实现检查客户是否存在窃电、违章用电及计量装置故障等。

以上防窃漏电的诊断方法，虽然能获得用电异常的某些信息，但由于终端误报或漏报过多，无法达到真正快速精确定位窃漏电嫌疑用户的目的，往往令稽查工作人员无所适从。而且在采用这种方法建模时，模型各输入指标权重的确定需要用专家的知识和经验，具有很大的主观性，存在明显的缺陷，所以实施效果往往不尽如人意。

现有的电力计量自动化系统能够采集到各相电流、电压、功率因数等用电负荷数据以及用电异常等终端报警信息。异常告警信息和用电负荷数据能够反映用户的用电情况，同时稽查工作人员也会通过在线稽查系统和现场稽查来查找出窃漏电用户，并录入系统。若能通过这些数据信息提取出窃漏电用户的关键特征，构建窃漏电用户的识别模型，就能自动检查判断用户是否存在窃漏电行为。本案例基于思迈特软件的数据挖掘平台Smartbi Mining进行建模，使用随机森林算法算法实现电力窃漏电用户自动识别。

数据说明

某电力公司采集的数据集共计291条，共有四个字段，其中目标字段为是否窃漏电。

部分数据截图

整体实验流程图

1、模型训练

在电力窃漏电数据节点后面接入特征选择节点，特征列选择字段（电量趋势下降指标、线损指标、告警类指标），标签列选择是否窃漏电，如下图所示。

然后接入拆分节点将数据按7：3的比例拆分成两份，一份用于训练，一份用于预测。拆分节点属性配置如图所示。

标签列是否窃漏电是一个二分类任务，选取一个分类算法节点，这里选择随机森林节点，最后我们再接入一个训练节点，训练模型。随机森林的参数配置如下图所示。

2、预测模型与评估

将预测节点接入，并在预测节点后接入一个评估节点。运行成功后我们查看评估的分析结果如下图所示，可以看到准确率在95%。

总结

通过构建窃漏电用户的识别模型，可以帮助快速判断用户是否存在窃漏电行为，为供电局的稽查人员提供重要参考，提高整个稽查效率。本文旨在帮助读者快速掌握整个分类建模流程，数据集取自处理后的数据，并未对原始数据集做深入的探究。

关于Smartbi

Smartbi强大的数据分析能力，人人可用的自助式BI。简便的操作，专业化的要求不高，可以大范围的应用，这两年在BI行业口碑很好，个人版全功能模块永久免费使用的！感兴趣的朋友可以上Smartbi官网试用，还可联系客服获得更多的方案、案例和模板。

申请试用