а√8天堂中文官网资源,国产精品国产自线拍免费

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

電力竊漏電用戶識別案例

2021-03-08

一、案例綜述

案例編號：

102003

案例名稱：

電力、熱力、燃氣及水生產(chǎn)和供應(yīng)業(yè)——電力竊漏電用戶識別

作者姓名（或單位、或來源）：

朱江

案例所屬行業(yè)：

D442 電力供應(yīng)

案例所用軟件：

案例包含知識點：

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

案例描述：

目標：防竊漏電，找出可能存在竊漏電的可疑用戶做進一步處理

傳統(tǒng)方法：定期巡檢、定期校驗電表、用戶舉報竊電

缺點：對人依賴性強，目標不明確，工作量大

目前常用方法：利用計量異常報警功能，電能量數(shù)據(jù)查詢功能，進行用戶用電情況的在線監(jiān)督。采集的信息主要有：電量異常、負荷異常、終端報警、主站報警、線損異常等。根據(jù)報警事件發(fā)生前后客戶計量點有關(guān)的數(shù)據(jù)情況（電流、電壓、負荷），構(gòu)建基于指標加權(quán)的用電異常分析模型。

缺點：終端誤報漏報過多，以致無法高效高速定位。指標權(quán)重拍腦門，需要專家的知識和經(jīng)驗，主觀性可能會導致不準確。

分析過程：

要剔除不可能存在漏電的大用戶，如銀行、稅務(wù)、學校、工商。用電負荷隨著時間的變化才有價值，而終端報警存在誤報和漏報，而這些數(shù)據(jù)都能夠幫助總結(jié)用戶竊漏電的行為規(guī)律，即通過預處理提煉出描述用戶竊漏電特征的相關(guān)指標，最終得到建模使用的專家樣本數(shù)據(jù)集，然后開始建模等工作。主要步驟如下：

1.從電力計量自動化系統(tǒng)、營銷系統(tǒng)有選擇性地抽取部分大用戶用電負荷、終端報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，即不可能存在漏電的用戶。描述性和探索性分析正常用戶和竊漏電用戶的用電特征。

3.處理樣本缺失值，通過經(jīng)驗構(gòu)建特征指標，形成專家數(shù)據(jù)集

4.構(gòu)建竊漏電用戶識別模型

5.模型落地，在線監(jiān)測用戶用電負荷及終端報警，調(diào)用模型實現(xiàn)實時診斷。

6.通過對診斷結(jié)果的評估，優(yōu)化或者重構(gòu)模型

數(shù)據(jù)預處理：

1.數(shù)據(jù)清洗:

剔除白名單用戶，這里把這些用戶歸為非居民類別

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

2.缺失值處理

如果直接將缺失值剔除，會嚴重影響供出電量的計算結(jié)果，從而導致日線損率誤差很大，故本案例采用拉格朗日插值法對缺失值填補。

拉格朗日插補可以選取缺失值前后5個數(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為缺失值對應(yīng)的序號，x_i為非缺失值y_i的序號，對全部缺失值依次填補，直到不存在缺失值。

3.數(shù)據(jù)變換

需要通過新的評價指標來表征竊漏電用戶的行為規(guī)律，故根據(jù)業(yè)務(wù)經(jīng)驗和專業(yè)理論引出三個評價指標：電量趨勢下降指標、線損指標、告警類指標

電量趨勢下降指標：取統(tǒng)計當天及前后五天共11天的數(shù)據(jù)，通過線性擬合計算斜率，如果當天的斜率小于前一天的，則計數(shù)加1，可以據(jù)此計算敏感時期內(nèi)的總計數(shù)。

線損指標：線損率具體查看相關(guān)電學知識，取當天及前五天線損均值，當天及后五天線損均值比較，如果增長率大于1%，則記為1，否則為0

告警類指標：取自終端報警次數(shù)總和

本案例共包含五個知識點：

1.拉格朗日插值法：使用拉格朗日填補法填補缺失值

2.數(shù)據(jù)清洗及轉(zhuǎn)換：通過作圖在時間維度上查看前后5天內(nèi)的電量均值變化趨勢；計算電量下降趨勢指標；計算線損指標

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

4.神經(jīng)網(wǎng)絡(luò)建模：運用較為簡單的BP神經(jīng)網(wǎng)絡(luò)建立分類模型

5.構(gòu)建CART決策樹模型

6.模型評價：利用ROC曲線在測試集上評價模型

案例執(zhí)行形式：

單人上機

二、案例知識點：

知識點1：

知識點名稱：拉格朗日插值法

知識點所屬工作角色：

缺失值處理

知識點背景：

處理缺失值的一種插補方式

知識點描述

采用拉格朗日多項式插補公式對缺失值進行插補

知識點關(guān)鍵詞：

拉格朗日多項式缺失值插補

知識點所用軟件：

Rstudio

操作目的：

能夠自主編程實現(xiàn)拉格朗日插補

知識點素材（包括數(shù)據(jù)）：

missing_data.xls

操作步驟：

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

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

處理前后對比如下：

操作結(jié)果：

數(shù)據(jù)前后對比如上圖

將R代碼文件保存為newdata.csv以備后續(xù)使用。

知識點小結(jié)：

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

知識點2：

知識點名稱：數(shù)據(jù)清洗及轉(zhuǎn)換

知識點所屬工作角色：

數(shù)據(jù)清洗及轉(zhuǎn)換

知識點背景：

通過業(yè)務(wù)邏輯按照條件篩選數(shù)據(jù)，關(guān)鍵點在于按照條件篩選，以及理解業(yè)務(wù)邏輯，進而計算需要的指標

知識點描述

使用階躍函數(shù)按條件篩選數(shù)據(jù)

創(chuàng)建函數(shù)

知識點關(guān)鍵詞：

篩選變量創(chuàng)建函數(shù)

知識點所用軟件：

Rstudio

操作目的：

篩選數(shù)據(jù)

按照業(yè)務(wù)邏輯生成新指標

知識點素材（包括數(shù)據(jù)）：

用戶日用電量.xls

操作步驟:

1.讀取數(shù)據(jù)：用戶日用電量.xls

2.進行簡單的數(shù)據(jù)清洗，讀取行數(shù)

3.通過循環(huán)，用自建函數(shù)篩選觀測，計算日均電量，多日電量斜率，日均線損

4.作日均電量的點線圖，注意圖形參數(shù)的調(diào)整，加入回歸線，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

使用上上步計算得到的數(shù)據(jù)計算電量趨勢下降指標、線損指標、并且結(jié)合對應(yīng)的時間以區(qū)分

將得到的指標放在數(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：

生成圖形觀察日均電量相對于原始電量的變化趨勢，從而判斷用戶是否為可以的竊漏電用戶

生成新指標，并且輸出新指標的表格

知識點小結(jié)：

主要涉及到通過階躍函數(shù)按照業(yè)務(wù)邏輯篩選觀測，按照業(yè)務(wù)邏輯構(gòu)建新指標，輸出新指標的趨勢圖以及統(tǒng)計表格

知識點3：

知識點名稱：數(shù)據(jù)劃分

知識點所屬工作角色：

數(shù)據(jù)劃分

知識點背景：

數(shù)據(jù)劃分是在進行數(shù)據(jù)清洗和描述性分析后，在建模之前必備的一步，由于很多訓練模型很容易出現(xiàn)過擬合的狀況，所以需要通過獨立于訓練數(shù)據(jù)的測試數(shù)據(jù)來觀察模型實際應(yīng)用在新數(shù)據(jù)上的效果。

知識點描述

數(shù)據(jù)劃分

知識點關(guān)鍵詞：

數(shù)據(jù)劃分

知識點所用軟件：

Rstudio

操作目的：

對清洗后的數(shù)據(jù)進行數(shù)據(jù)劃分

知識點素材（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數(shù)

2.根據(jù)創(chuàng)建的隨機數(shù)生成訓練集和測試集，并且寫入文件

操作結(jié)果：

生成兩個數(shù)據(jù)文件，訓練數(shù)據(jù)和測試數(shù)據(jù)

知識點小結(jié)：

本知識點只是對數(shù)據(jù)進行了簡單的分割，分成訓練數(shù)據(jù)和測試數(shù)據(jù)，有興趣的同學可以進一步使用交叉驗證進行進一步的模型選擇

知識點4：

知識點名稱：神經(jīng)網(wǎng)絡(luò)建模

知識點所屬工作角色：

數(shù)據(jù)挖掘建模

知識點背景：

使用神經(jīng)網(wǎng)絡(luò)構(gòu)建分類模型

知識點描述

神經(jīng)網(wǎng)絡(luò)建模

知識點關(guān)鍵詞：

BP神經(jīng)網(wǎng)絡(luò)

知識點所用軟件：

Rstudio

操作目的：

熟悉使用BP神經(jīng)網(wǎng)絡(luò)建模的基本過程

知識點素材（包括數(shù)據(jù)）：

traindata.csv

操作步驟:

1.讀取數(shù)據(jù)，將預測列轉(zhuǎn)換為因子列

2.使用神經(jīng)網(wǎng)絡(luò)建模

3.根據(jù)模型預測訓練集，計算混淆矩陣、準確率

4.將預測結(jié)果與訓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

得到的準確率是94.17

知識點小結(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)點數(shù)，學習率或者衰減率，最大迭代次數(shù)等等。而R中一些常見的神經(jīng)網(wǎng)絡(luò)的包有自己的計算邏輯也需要進一步了解。

知識點5：

知識點名稱：構(gòu)建CART決策樹模型

知識點所屬工作角色：

數(shù)據(jù)挖掘建模

知識點背景：

使用CART決策樹構(gòu)建分類模型

知識點描述

CART決策樹

知識點關(guān)鍵詞：

CART決策樹

知識點所用軟件：

Rstudio