Detecção de Anomalias em Medidores Inteligentes
Phreee/meter-anomaly-detection-skill
Pipeline ML para anomalias em smart meters com regras + Isolation Forest
Ver no GitHubSkill Python que implementa um pipeline de detecção de anomalias em dados de consumo elétrico de medidores inteligentes com granularidade de meia hora. Combina regras determinísticas (consumo zero prolongado, saltos diários, inversão pico-vale) com Isolation Forest para identificar fraudes, falhas de medição e padrões anômalos em séries temporais reais.
Instalação
npx convez-ai Phreee/meter-anomaly-detection-skill1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.
Métricas
Casos de uso
- Detecção de fraude em consumo de eletricidade
- Identificação de falhas em medidores inteligentes
- Análise de padrões anômalos em séries temporais de IoT
- Auditoria de qualidade de dados de consumo energético
Veredito

Projeto maduro com arquitetura clara (Form C), dataset real (London Smart Meter), 30+ testes e checkpoints de aprendizado. Excelente referência para engenheiros de dados de IoT que precisam implementar pipelines de detecção de anomalias em produção.
README
A tradução para o português deste README ainda está na fila.
智能电表用电异常检测 Skill
AI 赋能研发效能工作坊——实操案例
受众:物联网数据工程师 / 培训学员
配套课程:AI 赋能研发效能暨物联网数据项目全链路开发实战工坊
项目简介
本项目演示如何用 Claude Code Skill(Form C 架构) 驱动一套 Python 异常检测管道, 对智能电表的半小时粒度用电数据执行:
| 规则 | 检测目标 | 阈值 |
|---|---|---|
| R1 连续零用量 | 欠费断电 / 计量故障 | >= 7 天 |
| R2 单日跳变 | 窃电嫌疑 | > 历史均值 x 50 |
| R3 峰谷倒置 | 夜间偷电模式 | 夜间/白天 > 1.5 |
| ML | 统计偏离(兜底) | Isolation Forest |
快速开始
# 1. 克隆仓库
git clone https://github.com/Phreee/meter-anomaly-detection-skill.git
cd meter-anomaly-detection-skill
# 2. 安装依赖(Python 3.11+)
pip install -r requirements.txt
# 3. 验证数据就绪(数据集已内置,无需生成)
python -c "import pandas as pd; print(pd.read_csv('data/meters_sample_10.csv')['meter_id'].nunique(), '台就绪')"
# 4. 运行测试(应全部通过)
pytest tests/ -q
# 5. 运行完整检测管道
python -m src.analyze data/meters_sample_10.csv
仓库结构
meter-anomaly-skill/
├── README.md
├── requirements.txt
├── .github/workflows/ci.yml # CI 自动测试
├── data/
│ ├── generate_data.py # 数据生成脚本(可复现)
│ ├── anomaly_labels.csv # 答案 key(含异常类型)
│ └── *.csv # 生成后出现(gitignore 排除)
├── .claude/skills/
│ └── meter-anomaly-detection.md # 完整参考 Skill
├── templates/
│ └── skill-template.md # 学员填充用空白模板
├── src/
│ ├── analyze.py # 入口脚本:串联三模块
│ ├── cleaner.py # 数据清洗
│ ├── features.py # 特征工程
│ └── detector.py # 异常检测
├── tests/ # pytest 测试套件(30 个用例)
└── tutorial/ # 学员操作教程(U2-U8)
检测管道
meters_sample_10.csv
|
v src/cleaner.py
去重 + 补缺失时段
|
v src/features.py
pvr / max_zero_days / spike_ratio / cv
|
v src/detector.py
规则引擎 + Isolation Forest
|
v
alerts_*.csv(告警清单)
教程单元
| 单元 | 主题 | 核心产出 |
|---|---|---|
| U2 | 提示词工程 | spec.md 需求规格 |
| U3 | 上下文工程 | plan.md 模块设计 |
| U4 | Skill 封装 | .claude/skills/meter-anomaly-detection.md |
| U5 | 特征工程 | src/features.py 五个函数 |
| U6 | 数据质量 | src/cleaner.py + algorithm_notes.md |
| U7 | 质量审查 | quality_report.md |
| U8 | 测试套件 | tests/(34 个用例)+ CI 绿灯 |
从 tutorial/00_setup.md 开始。
恢复检查点
git checkout checkpoint/U4 # 恢复到 U4 开始状态
git checkout checkpoint/U5 # 恢复到 U5 开始状态
# ...依此类推
数据说明
数据基线来自 London Smart Meter Dataset(Kaggle: jeanmidev/smart-meters-in-london,block_0.csv) 的真实半小时粒度用电曲线,在此基础上注入已知异常,不含可识别用户信息。
meters_sample_10.csv/meters_diagnosis_*.csv已基于 London 真实用电曲线预生成并提交至仓库,克隆后即可直接使用,无需 Kaggle 账号或网络下载。
如需复现数据生成过程,可从 Kaggle 下载 block_0.csv,解压后放至data/london_raw/block_0.csv,再运行python data/generate_data.py。
| 字段 | 类型 | 说明 |
|---|---|---|
meter_id | string | 设备编号(EM-001 ~ EM-010) |
timestamp | datetime | 半小时粒度,格式 YYYY-MM-DD HH:MM |
kwh | float | 该半小时用电量(kWh) |
cumulative_kwh | float | 累计用电量(正常情况下单调递增) |
已知异常设备(答案 key 在 data/anomaly_labels.csv):
| 设备 | 异常类型 |
|---|---|
| EM-003 | 欠费断电(连续零用量,累计量冻结后恢复) |
| EM-005 | 计量故障(连续零用量,换表后累计量重置) |
| EM-007 | 窃电行为(夜间用电持续高于白天) |
| EM-008 | 窃电嫌疑(单日用量为历史均值 80 倍) |
CI 状态
每次推送自动运行:pytest tests/ --cov=src --cov-fail-under=80