过来，大多数的防窃漏电办法次要是通过利用定期的查看、电表校验以及用户自主报告盗窃等伎俩，去挖掘窃电或测量安装故障。不过上述办法的一个弊病是，对人的依赖性太强，且抓窃查漏的指标不甚明确。
目前，许多供电局次要通过营销检查人员、电力检查人员和计量人员计量异样报警性能和电力数据查问性能进行用户电力在线监控，通过收集电力异样、负荷异样、终端报警、主站报警、线路损坏异样信息，建设数据分析模型，实时监安装故障。依据报警事件产生前后客户计量点无关的电流、电压、负荷数据状况等，构建基于指标加权的用电异样分析模型，实现查看客户是否存在窃电、违章用电及计量安装故障等。
尽管上述防盗漏电的诊断办法能够取得一些用电异样的信息，但因为终端误报或漏报过多，无奈真正疾速精确地定位可疑用户，这往往会减轻检查人员的工作累赘。此外，在采纳这种办法进行建模时，须要应用专家的常识和教训来确定输出指标的权重，主观性大，缺点显著，施行成果往往不令人满意。
现有的电力计量自动化零碎可能采集到各项电流、电压、功率因数等用电负荷数据以及用电异样等终端报警信息。异样报警信息和用电负荷数据能够反映用户的用电状况。同时，检查人员还过在线查看零碎和现场查看找到透露用户，并输出零碎。异样报警信息和用电负荷数据能够反映用户的用电状况。不仅如此，检查人员还能够通过在线查看零碎和现场查看找到透露用户，并输出零碎。
上面，小麦带大家利用智能 BI 平台 Samrtbi 的 Smartbi Mining 数据挖掘性能进行建模，利用随机森林算法来帮忙实现电力窃漏电用户自动识别。
一、案例背景数据阐明：
某电力公司采集的数据集共计 291 条，共有四个字段，其中指标字段为是否窃漏电。如下表所示：
1.png
局部数据截图
二、整体试验流程图
首先实现数据读取，继而利用特征选择、随机森林拆分等进行模型训练，最初，进行模型预测与评估从而实现整个操作步骤。