本文為您介紹如何通過Designer預置工作流模板，快速構建竊漏電用戶的識別模型，達到自動檢查用戶是否竊漏電的目的，從而大幅度降低稽查工作人員的工作量、保障用戶正常用電及安全用電。
背景信息
傳統防竊漏電主要通過定期巡檢、定期校驗電表及用戶舉報等方法發現竊電或計量裝置故障，該方法強依賴于人工手段，且抓竊查漏的目標不明確。通常供電局通過計量異常報警功能和電能量數據查詢功能，人工在線監督用戶用電情況。例如通過采集電量異常、負荷異常、終端報警、主站報警及線損異常等信息監測竊漏電情況及計量裝置故障，或根據報警事件發生前后客戶計量點電流、電壓及負荷數據情況，構建基于指標加權的用電異常分析模型，從而檢查用戶是否竊電或計量裝置故障等。
傳統的防竊漏電方法雖然能夠獲得用電異常信息，但是由于終端誤報或漏報過多，因此無法快速精確地定位竊漏電嫌疑用戶，導致稽查工作無法開展。傳統方法建模時，專家需要根據知識和經驗判斷模型輸入指標的權重，具有強主觀性，導致實施效果不理想。
電力計量自動化系統能夠采集用電負荷數據（例如電流、電壓及功率）及用電異常等終端報警信息，該數據能夠反映用戶用電情況。同時，稽查工作人員通過在線稽查系統和現場稽查找出竊漏電用戶，并錄入系統。通過從這些數據提取竊漏電用戶的關鍵特征，構建竊漏電用戶的識別模型，可以自動檢查用戶是否竊漏電，從而大幅度降低稽查工作人員的工作量、保障用戶正常用電及安全用電。
前提條件
數據集
本工作流的數據集包括如下字段。
字段名 | 類型 | 參數 |
power_usage_decline_level | BIGINT | 電量趨勢下降指標 |
line_loss_rate | BIGINT | 線損指標 |
warning_num | BIGINT | 告警類指標數量 |
is_theff | BIGINT | 是否竊漏電 |
用戶竊電識別
進入Designer頁面。
登錄PAI控制臺。
在左側導航欄單擊工作空間列表，在工作空間列表頁面中單擊待操作的工作空間名稱，進入對應工作空間內。
在工作空間頁面的左側導航欄選擇，進入Designer頁面。
構建工作流。
在Designer頁面，單擊預置模板頁簽。
在模板列表的用戶竊電識別區域，單擊創建。
在新建工作流對話框，配置參數（可以全部使用默認參數）。
其中：工作流數據存儲配置為OSS Bucket路徑，用于存儲工作流運行中產出的臨時數據和模型。
單擊確定。
您需要等待大約十秒鐘，工作流可以創建成功。
在工作流列表，雙擊用戶竊電識別工作流，進入工作流。
系統根據預置的模板，自動構建工作流，如下圖所示。
區域
描述
①
統計分析：
通過相關系數矩陣組件，觀察各特征對是否竊漏電的影響。
通過數據視圖，查看各特征列與目標列的數據分布關系。本工作流中，特征列為power_usage_decline_level、line_loss_rate及warning_num，目標列為is_theft。
②
將數據集按照
8:2拆分為訓練數據集和預測數據集。③
通過邏輯回歸二分類組件對訓練數據集進行回歸建模。本工作流的訓練特征列為power_usage_decline_level、line_loss_rate及warning_num，目標列為is_theft。
④
通過預測組件預測該模型在預測數據集上的效果，并通過二分類評估組件評估該模型預測的準確性。
運行工作流并查看輸出結果。
單擊畫布上方的運行按鈕
。工作流運行結束后，右鍵單擊畫布中的相關系數矩陣，在快捷菜單，單擊可視化分析。
在相關系數矩陣對話框，查看各特征對是否竊漏電的影響。
power_usage_decline_level、line_loss_rate及warning_num特征對于是否為竊電用戶（is_theft）的關系并不明顯，即決定用戶是否為竊電用戶的特征并非具有單一性。 右鍵單擊畫布中的二分類評估，在快捷菜單，單擊可視化分析。
在評估報告對話框，單擊評估圖表頁簽，查看模型評估指標。
AUC取值越接近1，表示模型的預測準確率越高。本文中的AUC取值達到0.8以上，即用戶竊漏電模型的預測準確率很高。
相關文檔
您可以使用Designer完成其他的AI開發任務，關于Designer更詳細的內容介紹，請參見Designer概述。