目标
系统中的用电负荷不能直接体现出用户的窃漏电行为，终端报警存在很多误报和漏报的情况，因此需要进行数据探索和预处理。总结窃漏电用户的行为规律，再从数据中提炼出描述窃漏电用户的特征指标，最后结合历史窃漏电用户信息，整理出识别模型的专家样本数据集。
数据探索分析
1、分布分析
根据用户类别查看窃漏电用户数的分布情况，一些类别不会出现窃漏电情况，那么直接将这个类别的用户从训练集和测试集中删除。
2、周期性分析
查看正常和窃漏电用户用电量的变化趋势，可以总结出正常用电到窃漏电过程是用电量持续下降的过程，这是窃漏电用户开始窃漏电时所表现出来的重要特征。
数据预处理
1、缺失值处理
使用拉格朗日插值法
2、数据变换
电量、负荷虽然在一定程度上能反应用户窃漏电行为的某些规律，但要他们作为专家样本的特征，还不够明显，需要构造新的特征来表征窃漏电行为所具有的规律。
经过分析，我们使用如下窃漏电评价体系：
1）电量趋势下降指标
正常用户的用电量较为平稳，窃漏电用户的用电量呈现下降的趋势，然后趋于平稳。
我们考虑前后几天作为统计窗口期，考虑期间的下降趋势，那么如何衡量下降的趋势呢？我们可以将这几天的用电量数据用直线进行拟合，使用直线斜率的绝对值最为下降趋势的衡量。拟合可以使用scipy包
2）线损率
若用户发生窃漏电，则当天的线损率会上升，但由于用户每天的用电量存在波动，仅仅以当天线损率上升作为窃漏电特征误差过大，所以我们考虑前后几天的线损率平均值，判断其增长率是否大于1%，大于1%特征值为1，小于1%特征值为0。
3）告警类指标
使用终端报警的次数作为告警类指标特征值。