過去，大多數的防竊漏電方法主要是通過利用定期的檢查、電表校驗以及用戶自主報告偷盜等手段，去發掘竊電或測量裝置故障。不過上述方法的一個弊端是，對人的依賴性太強，且抓竊查漏的目標不甚明確。

目前，許多供電局主要通過營銷檢查人員、電力檢查人員和計量人員計量異常報警功能和電力數據查詢功能進行用戶電力在線監控，通過收集電力異常、負荷異常、終端報警、主站報警、線路損壞異常信息，建立數據分析模型，實時監裝置故障。根據報警事件發生前后客戶計量點有關的電流、電壓、負荷數據情況等，構建基于指標加權的用電異常分析模型，實現檢查客戶是否存在竊電、違章用電及計量裝置故障等。

雖然上述防盜漏電的診斷方法可以獲得一些用電異常的信息，但因為終端誤報或漏報過多，無法真正快速準確地定位可疑用戶，這往往會加重檢查人員的工作負擔。此外，在采用這種方法進行建模時，需要使用專家的知識和經驗來確定輸入指標的權重，主觀性大，缺陷明顯，實施效果往往不令人滿意。

現有的電力計量自動化系統能夠采集到各項電流、電壓、功率因數等用電負荷數據以及用電異常等終端報警信息。異常報警信息和用電負荷數據可以反映用戶的用電情況。同時，檢查人員還過在線檢查系統和現場檢查找到泄漏用戶，并輸入系統。異常報警信息和用電負荷數據可以反映用戶的用電情況。不僅如此，檢查人員還可以通過在線檢查系統和現場檢查找到泄漏用戶，并輸入系統。

下面，小麥帶大家利用智能BI 平臺Samrtbi的Smartbi Mining數據挖掘功能進行建模，利用隨機森林算法來幫助實現電力竊漏電用戶自動識別。

一、案例背景數據說明：

某電力公司采集的數據集共計291條，共有四個字段，其中目標字段為是否竊漏電。如下表所示：

部分數據截圖

二、整體實驗流程圖

首先完成數據讀取，繼而利用特征選擇、隨機森林拆分等進行模型訓練，最后，進行模型預測與評估從而完成整個操作步驟。

審核編輯：符乾江