Updated 10/10/2026, 6:40:57 AM

电力窃漏电识别系统

Python机器学习StreamlitSQLite

功能介绍

电力窃漏电识别系统面向用电数据分析人员和开展异常用电识别实验的使用者，提供数据准备、机器学习与 CNN 模型分析以及 Web 结果展示。应用页按“选择模型—上传 CSV—校验并分析”的顺序组织操作，便于对批量用电记录进行风险筛查。

机器学习模型接受日用电宽表或工程特征表，CNN 需要包含日期列的日用电宽表。上传后页面检查表结构和模型兼容性，校验通过才允许点击开始分析。结果区显示预测概况、预测类别分布、概率直方图和高风险用户列表，支持选择用户查看用电曲线，并下载本次预测结果 CSV。

每次成功分析写入 SQLite 历史记录，使用者可打开历史详情复查结果。工程包含 SGCC 数据清洗、工程特征生成、CNN 输入张量构建及外部辅助数据处理脚本，适用于异常用户初筛、模型对比和课程实验。现有数据说明区分有标签数据与无标签辅助负荷数据，模型训练应依照对应准备流程进行。

用例图/使用场景

分析人员选择已准备的模型 → 上传匹配 CSV → 检查兼容性提示 → 执行批量预测 → 查看风险分布和用户曲线 → 导出预测结果 → 回查历史记录。下面为现有分析应用用例图。

演示截图

技术栈

采用 Python、Streamlit 与 SQLite 构成分析应用；Pandas、NumPy 处理数据，Scikit-learn 提供机器学习相关能力，TensorFlow 支持 CNN 模型，Joblib 管理模型文件，Matplotlib 与 Seaborn 绘制分析图表。附件包含源码、实验报告、演示视频、答辩资料与页面图片，排除虚拟环境、构建缓存、部分模型权重和较大的原始或处理中间数据；需要按数据获取与处理说明准备完整训练数据。

项目资料附件

分片附件需全部下载并解压，按包内重组说明将同组 .part 文件按编号顺序二进制拼接，恢复原 ZIP 后解压。

定制服务:+v pink996611