当前，用电客户数量不断增加，用电检查人员很难做到对高、低压用电客户检查的全覆盖，因此建立客户用电行为分析模型，开展基于客户用电行为的窃电概率预警分析，对提高用电检查效率十分必要。
    客户用电行为的窃电概率预警分析可以基于用电信息采集系统和营销业务应用系统积累的大量客户用电信息，综合考虑各种窃电因素，建立客户窃电概率分析模型，通过大数据技术分析手段，实时对窃电嫌疑户进行概率推测和预警，精准识别疑似窃电户，建立预警、排查和处理的闭环工作机制，加大反窃电的查处惩治力度，维护正常的供用电秩序，保障企业经营效益。

    1 研究思路
    研究重点在于如何通过客户用电行为信息来区分正常客户与异常客户，通过对典型窃电案例客户和正常客户用电行为的信息收集和归类对比分析，找出区分窃电违约客户与正常客户的潜在特征，信息收集越丰富，特征越清晰。
    客户用电行为信息可分为静态信息数据和动态信息数据两大类，静态信息数据主要是客户基本信息，如户名、客户区域、行业分类、用电容量、用电地址、欠费信息、违约记录等；动态信息数据包括采集类信息和计量统计类信息，采集类信息包括表码数据、电压数据、电流数据、相位角数据等；计量统计类信息包括线损数据、电能量数据、各行业类别平均用电情况等。
    窃电的形式尽管多种多样，但大致可归类为2种方式：改变电能表硬件的窃电方式和不改变电能表硬件的高科技窃电手段。前者多会产生异常的采集数据，可基于各类指标数据来进行特征匹配；后者一般采集数据正常，只能通过数据趋势来对异常进行区分。因此建立如下2个模型。
    （1）客户用电行为异常分类模型。依托收集到的典型窃电案例，根据不同窃电类型，分析得出描述客户异常程度的多维度特征，例如：是否发生电流三相不平衡，是否发生电压断相等。同时采用数据挖掘回归分析技术，通过大量数据分析相关特征，挖掘客户用电行为信息数据中的潜在特征，建立客户用电行为异常分类模型。
    （2）客户用电行为异常判别模型。采用数据挖掘聚类分析技术，将客户按区域、用电类别分成不同的种类，使用历史用电信息数据通过聚类分析技术，生成各类型客户典型用电行为曲线，通过对新数据中客户用电行为曲线与典型用电行为曲线的对比分析，进行用电行为是否异常的判别。如使用月电能量数据聚类生成的典型客户用电行为轨迹，可用来辅助电价稽查工作，锁定用电行为与档案类型对应典型用电行为轨迹不符的用电异常客户。

    2 数据源获取
    （1）窃电典型案例获取。一是营销系统客户违约用电窃电相关数据信息，包括窃电案件信息、违约用电窃电信息、现场调查取证信息、检查结果信息等；二是从市、县公司汇总的不同类型的典型窃电案例信息。
    （2）客户静态属性信息获取。包括客户信息、客户信用信息等，均可通过营销系统获取。客户信息包括用户分类、用电类别、行业分类、电压等级、合同容量、重要性等级、季节性增减容、是否关联发电客户、发电客户接人容量、发电客户并网电压等级、平均月电能量、平均月电费等；客户信用信息包括是否有欠费记录、欠费次数、是否有违约用电记录等。
      （3）客户用电行为信息获取。根据从电能表上获取的采集数据，分析客户的用电行为，包括电能量差动异常、电能表开盖、电能表停走、三相不平衡、电流过流、电压断相、电能表失压、电能表失流、用电负荷等信息。

    3 实现目标
    基于现有大数据平台的技术架构及应用现状，对基于客户用电行为的窃电概率预警分析课题进行应用开发技术探讨。通过用电信息采集系统提取客户用电数据，选取部分窃电客户实例，利用逻辑回归算法，开展模型样本训练相关的技术预研，实现以下目标。
      （1）搭建客户窃电概率大数据分析模型，对全部用电客户进行多维度分析，精准识别疑似窃电户，建立系统化、常态化反窃电分析、预警、排查和处理闭环业务流程，提升反窃电工作成效。
      （2）基于窃电方式细化分析结果，推动计量装置设计缺陷改进和防窃电功能升级。