电量趋势下降指标-泰迪杯.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 分析方法与过程 数据清洗：从业务以及建模的相关需要方面考虑，筛选出需要的数据 通过数据的探索分析，发现在用电类别中，非居民用电类别不可能存在漏电窃电的现象，需要将非居民用电类别的用电数据过滤掉。 结合本案例的业务，节假日用电量与工作日相比，会明显偏低。为了尽可能达到较好数据效果，过滤节假日的用电数据。 第3步：数据预处理 数据缺失严重 分析方法与过程 缺失值处理： 第3步：数据预处理 分析方法与过程 缺失值处理：在原始计量数据，特别是用户电量抽取过程中，发现存在缺失的现象。若将这些值抛弃掉，会严重影响后续分析结果。 第3步：数据预处理 分析方法与过程 缺失值处理 第3步：数据预处理 分析方法与过程 缺失值处理 拉格朗日插值法 其中 为缺失值对应的下标序号， 为缺失值的插值结果， 为非缺失值 的下标序号。 牛顿插值法 第3步：数据预处理 编程练习 分析方法与过程 数据变换 电量趋势下降指标 线损指标 告警类指标 第3步：数据预处理 分析方法与过程 数据变换 电量趋势下降指标 从正常用电到窃漏电特征分析 第3步：数据预处理 用电量趋势 正常用电 正常用电 第1天窃漏电 第2天窃漏电 第3天窃漏电 分析方法与过程 数据变换 电量趋势下降指标 对统计当天设定前后5天为统计窗口期，计算这11天内的电量趋势下降情况，首先计算这11天的每天的电量趋势，计算第i天的用电量趋势是考虑前后5天期间的用电量斜率，即： 第3步：数据预处理 其中 ， ， 为第 天的电量趋势， 为第 天的用电量。 分析方法与过程 数据变换 电量趋势下降指标 若电量趋势为不断下降的，则认为具有一定的窃电嫌疑，故计算这11天内，当天比前一天用电量趋势为递减的天数，即设有 则这11天内的电量趋势下降指标为 第3步：数据预处理 分析方法与过程 数据变换 电量趋势增长指标 线损指标 第3步：数据预处理 线损率公式： 其中 为第 天的线路供电量， 为线路上各个用户的总用电量 分析方法与过程 数据变换 电量趋势增长指标 线损指标 线路的线损率可作为用户线损率的参考值，若用户发生窃漏电，则当天的线损率会下降，但由于用户每天的用电量存在波动，单纯以当天线损率下降了作为窃漏电特征则误差过大，所以考虑前后几天的线损率平均值，判断其增长率是否大于1%，若线损率的增长率大于1%则具有窃漏电的可能性。 对统计当天设定前后5天为统计窗口期，首先分别计算统计当天与前5天之间的线损率平均值 和统计当天与后5天之间的线损率平均值 ，若 比 的增长率大于1%，则认为具有一定的窃电嫌疑，故定义线损指标 第3步：数据预处理 分析方法与过程 数据变换 电量趋势增长指标 线损指标 告警类指标 与窃漏电相关的终端报警主要有电压缺相、电压断相、电流反极性等告警，计算发生与窃漏电相关的终端报警的次数总和，作为告警类指标。 第3步：数据预处理 分析方法与过程 对2009年1月1日至2014年12月31日所有窃漏电用户及部分正常用户的电量、告警及线损数据和该用户在当天是否窃漏电的标识，按窃漏电评价指标进行处理，得到专家样本库。 第4步：构建专家样本 分析方法与过程 第5步：构建模型 构建窃漏电用户识别模型 对专家样本随机选取20%的作为测试样本，剩下80%的作为训练样本。 LM神经网络建模 CART决策树建模 编程练习 分析方法与过程 第5步：构建模型 构建窃漏电用户识别模型 LM神经网络 由混淆矩阵（训练样本），分类准确率为94.0%，正常用户被误判为窃漏电用户占正常用户的3.4%，窃漏电用户被误判为正常用户占正常窃漏电用户的2.6%。 分析方法与过程 b) CART决策树 由混淆矩阵（训练样本），分类准确率为95.3%，正常用户被误判为窃漏电用户占正常用户的1.3%，窃漏电用户被误判为正常用户占正常窃漏电用户的3.4%。 分析方法与过程 第5步：构建模型 模型评价 用测试样本对两个模型进行评价，评价方法采用ROC曲线进行评估。 观测LM神经网络和CART决策树ROC曲线的CLASS2折线，经过对比发现LM神经网络的ROC曲线比CART决策树的ROC曲线更加靠近单位方形的左上角，LM神经网络ROC曲线下的面积更大，说明LM神经网络模型的分类性能较好，能应用于窃漏电用户识别。 LM神经网络在测试样本下的ROC曲线 CART决策树在测试样本下的ROC曲