男女高潮激烈免费观看,成人性生交大片免费看r男欢女爱

99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

電力竊漏電用戶(hù)識(shí)別案例

2021-03-08

一、案例綜述

案例編號(hào)：

102003

案例名稱(chēng)：

電力、熱力、燃?xì)饧八a(chǎn)和供應(yīng)業(yè)——電力竊漏電用戶(hù)識(shí)別

作者姓名（或單位、或來(lái)源）：

朱江

案例所屬行業(yè)：

D442 電力供應(yīng)

案例所用軟件：

案例包含知識(shí)點(diǎn)：

拉格朗日插補(bǔ)，神經(jīng)網(wǎng)絡(luò)，CART決策樹(shù)，ROC曲線(xiàn)

案例描述：

目標(biāo)：防竊漏電，找出可能存在竊漏電的可疑用戶(hù)做進(jìn)一步處理

傳統(tǒng)方法：定期巡檢、定期校驗(yàn)電表、用戶(hù)舉報(bào)竊電

缺點(diǎn)：對(duì)人依賴(lài)性強(qiáng)，目標(biāo)不明確，工作量大

目前常用方法：利用計(jì)量異常報(bào)警功能，電能量數(shù)據(jù)查詢(xún)功能，進(jìn)行用戶(hù)用電情況的在線(xiàn)監(jiān)督。采集的信息主要有：電量異常、負(fù)荷異常、終端報(bào)警、主站報(bào)警、線(xiàn)損異常等。根據(jù)報(bào)警事件發(fā)生前后客戶(hù)計(jì)量點(diǎn)有關(guān)的數(shù)據(jù)情況（電流、電壓、負(fù)荷），構(gòu)建基于指標(biāo)加權(quán)的用電異常分析模型。

缺點(diǎn)：終端誤報(bào)漏報(bào)過(guò)多，以致無(wú)法高效高速定位。指標(biāo)權(quán)重拍腦門(mén)，需要專(zhuān)家的知識(shí)和經(jīng)驗(yàn)，主觀(guān)性可能會(huì)導(dǎo)致不準(zhǔn)確。

分析過(guò)程：

要剔除不可能存在漏電的大用戶(hù)，如銀行、稅務(wù)、學(xué)校、工商。用電負(fù)荷隨著時(shí)間的變化才有價(jià)值，而終端報(bào)警存在誤報(bào)和漏報(bào)，而這些數(shù)據(jù)都能夠幫助總結(jié)用戶(hù)竊漏電的行為規(guī)律，即通過(guò)預(yù)處理提煉出描述用戶(hù)竊漏電特征的相關(guān)指標(biāo)，最終得到建模使用的專(zhuān)家樣本數(shù)據(jù)集，然后開(kāi)始建模等工作。主要步驟如下：

1.從電力計(jì)量自動(dòng)化系統(tǒng)、營(yíng)銷(xiāo)系統(tǒng)有選擇性地抽取部分大用戶(hù)用電負(fù)荷、終端報(bào)警及違約竊電處罰信息等原始數(shù)據(jù)。

2.剔除白名單用戶(hù)，即不可能存在漏電的用戶(hù)。描述性和探索性分析正常用戶(hù)和竊漏電用戶(hù)的用電特征。

3.處理樣本缺失值，通過(guò)經(jīng)驗(yàn)構(gòu)建特征指標(biāo)，形成專(zhuān)家數(shù)據(jù)集

4.構(gòu)建竊漏電用戶(hù)識(shí)別模型

5.模型落地，在線(xiàn)監(jiān)測(cè)用戶(hù)用電負(fù)荷及終端報(bào)警，調(diào)用模型實(shí)現(xiàn)實(shí)時(shí)診斷。

6.通過(guò)對(duì)診斷結(jié)果的評(píng)估，優(yōu)化或者重構(gòu)模型

數(shù)據(jù)預(yù)處理：

1.數(shù)據(jù)清洗:

剔除白名單用戶(hù)，這里把這些用戶(hù)歸為非居民類(lèi)別

剔除節(jié)假日用電數(shù)據(jù)，根據(jù)業(yè)務(wù)經(jīng)驗(yàn)節(jié)假日用電量明顯偏低（大部分用戶(hù)為企業(yè)用戶(hù)）

2.缺失值處理

如果直接將缺失值剔除，會(huì)嚴(yán)重影響供出電量的計(jì)算結(jié)果，從而導(dǎo)致日線(xiàn)損率誤差很大，故本案例采用拉格朗日插值法對(duì)缺失值填補(bǔ)。

拉格朗日插補(bǔ)可以選取缺失值前后5個(gè)數(shù)據(jù)或者和鄰近缺失值之間的所有數(shù)據(jù)，組成一組，使用如下公式：

其中x為缺失值對(duì)應(yīng)的序號(hào)，x_i為非缺失值y_i的序號(hào)，對(duì)全部缺失值依次填補(bǔ)，直到不存在缺失值。

3.數(shù)據(jù)變換

需要通過(guò)新的評(píng)價(jià)指標(biāo)來(lái)表征竊漏電用戶(hù)的行為規(guī)律，故根據(jù)業(yè)務(wù)經(jīng)驗(yàn)和專(zhuān)業(yè)理論引出三個(gè)評(píng)價(jià)指標(biāo)：電量趨勢(shì)下降指標(biāo)、線(xiàn)損指標(biāo)、告警類(lèi)指標(biāo)

電量趨勢(shì)下降指標(biāo)：取統(tǒng)計(jì)當(dāng)天及前后五天共11天的數(shù)據(jù)，通過(guò)線(xiàn)性擬合計(jì)算斜率，如果當(dāng)天的斜率小于前一天的，則計(jì)數(shù)加1，可以據(jù)此計(jì)算敏感時(shí)期內(nèi)的總計(jì)數(shù)。

線(xiàn)損指標(biāo)：線(xiàn)損率具體查看相關(guān)電學(xué)知識(shí)，取當(dāng)天及前五天線(xiàn)損均值，當(dāng)天及后五天線(xiàn)損均值比較，如果增長(zhǎng)率大于1%，則記為1，否則為0

告警類(lèi)指標(biāo)：取自終端報(bào)警次數(shù)總和

本案例共包含五個(gè)知識(shí)點(diǎn)：

1.拉格朗日插值法：使用拉格朗日填補(bǔ)法填補(bǔ)缺失值

2.數(shù)據(jù)清洗及轉(zhuǎn)換：通過(guò)作圖在時(shí)間維度上查看前后5天內(nèi)的電量均值變化趨勢(shì)；計(jì)算電量下降趨勢(shì)指標(biāo)；計(jì)算線(xiàn)損指標(biāo)

3.數(shù)據(jù)劃分：劃分訓(xùn)練樣本和測(cè)試樣本，方便比對(duì)模型的有效性

4.神經(jīng)網(wǎng)絡(luò)建模：運(yùn)用較為簡(jiǎn)單的BP神經(jīng)網(wǎng)絡(luò)建立分類(lèi)模型

5.構(gòu)建CART決策樹(shù)模型

6.模型評(píng)價(jià)：利用ROC曲線(xiàn)在測(cè)試集上評(píng)價(jià)模型

案例執(zhí)行形式：

單人上機(jī)

二、案例知識(shí)點(diǎn)：

知識(shí)點(diǎn)1：

知識(shí)點(diǎn)名稱(chēng)：拉格朗日插值法

知識(shí)點(diǎn)所屬工作角色：

缺失值處理

知識(shí)點(diǎn)背景：

處理缺失值的一種插補(bǔ)方式

知識(shí)點(diǎn)描述

采用拉格朗日多項(xiàng)式插補(bǔ)公式對(duì)缺失值進(jìn)行插補(bǔ)

知識(shí)點(diǎn)關(guān)鍵詞：

拉格朗日多項(xiàng)式缺失值插補(bǔ)

知識(shí)點(diǎn)所用軟件：

Rstudio

操作目的：

能夠自主編程實(shí)現(xiàn)拉格朗日插補(bǔ)

知識(shí)點(diǎn)素材（包括數(shù)據(jù)）：

missing_data.xls

操作步驟：

1.啟動(dòng)Rstudio

2.使用setwd()函數(shù)設(shè)置工作目錄，將數(shù)據(jù)文件拷貝至工作目錄下

3.加載xlsx包，讀取素材文件，.xls格式

4.根據(jù)拉格朗日插值法創(chuàng)建拉格朗日插值函數(shù)

5.創(chuàng)建自動(dòng)替換數(shù)據(jù)框缺失值的函數(shù)，找到每個(gè)缺失值，并且讀取每個(gè)缺失值前后五個(gè)或者距離上個(gè)缺失值之間的數(shù)值，采用之前創(chuàng)建的拉格朗日插值函數(shù)填補(bǔ)。

6.對(duì)讀取到的數(shù)據(jù)應(yīng)用上一步的函數(shù)處理，并且保存

處理前后對(duì)比如下：

操作結(jié)果：

數(shù)據(jù)前后對(duì)比如上圖

將R代碼文件保存為newdata.csv以備后續(xù)使用。

知識(shí)點(diǎn)小結(jié)：

拉格朗日插值法目前現(xiàn)成的函數(shù)都是用于擬合多項(xiàng)式，插值填補(bǔ)的話(huà)可以自己寫(xiě)函數(shù)并且取自己覺(jué)得合適的前后數(shù)據(jù)處理

知識(shí)點(diǎn)2：

知識(shí)點(diǎn)名稱(chēng)：數(shù)據(jù)清洗及轉(zhuǎn)換

知識(shí)點(diǎn)所屬工作角色：

數(shù)據(jù)清洗及轉(zhuǎn)換

知識(shí)點(diǎn)背景：

通過(guò)業(yè)務(wù)邏輯按照條件篩選數(shù)據(jù)，關(guān)鍵點(diǎn)在于按照條件篩選，以及理解業(yè)務(wù)邏輯，進(jìn)而計(jì)算需要的指標(biāo)

知識(shí)點(diǎn)描述

使用階躍函數(shù)按條件篩選數(shù)據(jù)

創(chuàng)建函數(shù)

知識(shí)點(diǎn)關(guān)鍵詞：

篩選變量創(chuàng)建函數(shù)

知識(shí)點(diǎn)所用軟件：

Rstudio

操作目的：

篩選數(shù)據(jù)

按照業(yè)務(wù)邏輯生成新指標(biāo)

知識(shí)點(diǎn)素材（包括數(shù)據(jù)）：

用戶(hù)日用電量.xls

操作步驟:

1.讀取數(shù)據(jù)：用戶(hù)日用電量.xls

2.進(jìn)行簡(jiǎn)單的數(shù)據(jù)清洗，讀取行數(shù)

3.通過(guò)循環(huán)，用自建函數(shù)篩選觀(guān)測(cè)，計(jì)算日均電量，多日電量斜率，日均線(xiàn)損

4.作日均電量的點(diǎn)線(xiàn)圖，注意圖形參數(shù)的調(diào)整，加入回歸線(xiàn)，以及原始的電量數(shù)據(jù)

5.將圖形輸出到外部設(shè)備上，即輸出mat.png文件

得到圖形如上所示

使用上上步計(jì)算得到的數(shù)據(jù)計(jì)算電量趨勢(shì)下降指標(biāo)、線(xiàn)損指標(biāo)、并且結(jié)合對(duì)應(yīng)的時(shí)間以區(qū)分

將得到的指標(biāo)放在數(shù)據(jù)框內(nèi)，并且輸出到文件pro.csv中

得到的文件部分內(nèi)容如下

操作結(jié)果：

生成圖形觀(guān)察日均電量相對(duì)于原始電量的變化趨勢(shì)，從而判斷用戶(hù)是否為可以的竊漏電用戶(hù)

生成新指標(biāo)，并且輸出新指標(biāo)的表格

知識(shí)點(diǎn)小結(jié)：

主要涉及到通過(guò)階躍函數(shù)按照業(yè)務(wù)邏輯篩選觀(guān)測(cè)，按照業(yè)務(wù)邏輯構(gòu)建新指標(biāo)，輸出新指標(biāo)的趨勢(shì)圖以及統(tǒng)計(jì)表格

知識(shí)點(diǎn)3：

知識(shí)點(diǎn)名稱(chēng)：數(shù)據(jù)劃分

知識(shí)點(diǎn)所屬工作角色：

數(shù)據(jù)劃分

知識(shí)點(diǎn)背景：

數(shù)據(jù)劃分是在進(jìn)行數(shù)據(jù)清洗和描述性分析后，在建模之前必備的一步，由于很多訓(xùn)練模型很容易出現(xiàn)過(guò)擬合的狀況，所以需要通過(guò)獨(dú)立于訓(xùn)練數(shù)據(jù)的測(cè)試數(shù)據(jù)來(lái)觀(guān)察模型實(shí)際應(yīng)用在新數(shù)據(jù)上的效果。

知識(shí)點(diǎn)描述

數(shù)據(jù)劃分

知識(shí)點(diǎn)關(guān)鍵詞：

數(shù)據(jù)劃分

知識(shí)點(diǎn)所用軟件：

Rstudio

操作目的：

對(duì)清洗后的數(shù)據(jù)進(jìn)行數(shù)據(jù)劃分

知識(shí)點(diǎn)素材（包括數(shù)據(jù)）：

model.csv

操作步驟:

1.讀取數(shù)據(jù)，創(chuàng)建符合七三比例的隨機(jī)數(shù)

2.根據(jù)創(chuàng)建的隨機(jī)數(shù)生成訓(xùn)練集和測(cè)試集，并且寫(xiě)入文件

操作結(jié)果：

生成兩個(gè)數(shù)據(jù)文件，訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)

知識(shí)點(diǎn)小結(jié)：

本知識(shí)點(diǎn)只是對(duì)數(shù)據(jù)進(jìn)行了簡(jiǎn)單的分割，分成訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，有興趣的同學(xué)可以進(jìn)一步使用交叉驗(yàn)證進(jìn)行進(jìn)一步的模型選擇

知識(shí)點(diǎn)4：

知識(shí)點(diǎn)名稱(chēng)：神經(jīng)網(wǎng)絡(luò)建模

知識(shí)點(diǎn)所屬工作角色：

數(shù)據(jù)挖掘建模

知識(shí)點(diǎn)背景：

使用神經(jīng)網(wǎng)絡(luò)構(gòu)建分類(lèi)模型

知識(shí)點(diǎn)描述

神經(jīng)網(wǎng)絡(luò)建模

知識(shí)點(diǎn)關(guān)鍵詞：

BP神經(jīng)網(wǎng)絡(luò)

知識(shí)點(diǎn)所用軟件：

Rstudio

操作目的：

熟悉使用BP神經(jīng)網(wǎng)絡(luò)建模的基本過(guò)程

知識(shí)點(diǎn)素材（包括數(shù)據(jù)）：

traindata.csv

操作步驟:

1.讀取數(shù)據(jù)，將預(yù)測(cè)列轉(zhuǎn)換為因子列

2.使用神經(jīng)網(wǎng)絡(luò)建模

3.根據(jù)模型預(yù)測(cè)訓(xùn)練集，計(jì)算混淆矩陣、準(zhǔn)確率

4.將預(yù)測(cè)結(jié)果與訓(xùn)練集橫向合并并且輸出到output.csv文件，將模型輸出到nnetmodel.RData文件

操作結(jié)果：

得到的混淆矩陣如下

得到的準(zhǔn)確率是94.17

知識(shí)點(diǎn)小結(jié)：

神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵在于參數(shù)的選擇，而參數(shù)涉及到隱層層數(shù)，每層節(jié)點(diǎn)數(shù)，學(xué)習(xí)率或者衰減率，最大迭代次數(shù)等等。而R中一些常見(jiàn)的神經(jīng)網(wǎng)絡(luò)的包有自己的計(jì)算邏輯也需要進(jìn)一步了解。

知識(shí)點(diǎn)5：

知識(shí)點(diǎn)名稱(chēng)：構(gòu)建CART決策樹(shù)模型

知識(shí)點(diǎn)所屬工作角色：

數(shù)據(jù)挖掘建模

知識(shí)點(diǎn)背景：

使用CART決策樹(shù)構(gòu)建分類(lèi)模型

知識(shí)點(diǎn)描述

CART決策樹(shù)

知識(shí)點(diǎn)關(guān)鍵詞：

CART決策樹(shù)

知識(shí)點(diǎn)所用軟件：

Rstudio