广告

微电网中有效窃电检测的数据驱动方法比较研究

会议论文
的一部分网络和系统中的讲义笔记书系列(LNN,第279卷)

抽象的

在本研究文章中,我们解决以下限制:高错分率,低检测率和,级别不平衡问题,没有恶意或盗窃样品。课程不平衡问题是电力盗窃检测中的严重问题,影响了监督学习方法的性能。我们利用自适应合成少数民族过采样技术来解决这个问题。此外,盗窃样本是从良性样本中创建的,我们认为盗窃的目标是报告少于消费实际电力消耗。不同的机器学习和深度学习方法,包括最近开发的光线和极端渐变升压(XGBoost),培训并在巴基斯坦电效用提供的现实电力消耗数据集上进行培训和评估。DataSet中的消费者属于不同的人口统计数据和不同的社会和金融背景。不同数量的分类器受到收购数据的培训;但是,长短期内存(LSTM)和XGBoost达到高性能并优于所有分类器。XGBoost达到0.981检测率和0.015个错分率。虽然,LSTM分别达到0.976和0.033检测和错误分类率。 Moreover, the performance of all implemented classifiers is evaluated through precision, recall, F1-score, etc.

参考

  1. 1.
    Avila,N.F.,Figueroa,G.,Chu,C.-C.:NTL在配电系统中检测使用最大重叠离散小波 - 数据包变换和随机欠采样升压。IEEE反式。电力系统。33(6), 7171 - 7180 (2018)谷歌学术搜索
  2. 2.
    Jokar, P., Arianpoo, N., Leung, V.C.M.:使用客户消费模式的AMI电力盗窃检测。IEEE反式。智能电网7(1), 216 - 226 (2015)谷歌学术搜索
  3. 3.
    Punmiya,R.,Choe,S .:使用梯度提升盗窃检测器的能量盗窃检测具有基于工程的预处理。IEEE反式。智能电网10(2), 2326 - 2329 (2019)CrossRef谷歌学术搜索
  4. 4.
    汗,Z.A阿迪勒,Javaid, N, Saqib,梅西百货(M.N:行情,沙菲克,M,崔J.-G。:Electricity theft detection using supervised learning techniques on smart meter data. Sustainability12(19), 8023 (2020)谷歌学术搜索
  5. 5.
    Arif, A., Javaid, N., Aldegheishem, A., Alrajeh, N.:在智能社区的微电网中使用机器学习方法识别电力盗窃的大数据分析。并发第一版。Pract。经验,1532 - 0634 (2021)谷歌学术搜索
  6. 6.
    Ghori,K.M.,Abbasi,R.A,AWAIS,M.,Imran,M.,Ullah,A.,Szathmary,L。:不同类型的机器学习分类器的性能分析,用于非技术损失检测。IEEE访问8,16033-16048(2019年)谷歌学术搜索
  7. 7.
    拉扎维,R.,Gharipour,A.,Fleury,M.,Akpan,I.J:智能电网中的电力盗窃检测的实用特征工程框架。苹果。活力238481 - 494 (2019)谷歌学术搜索
  8. 8.
    孔晓,赵晓,刘超,董大磊,李强:基于相似度测度和DT-KSVM的低压电站窃电检测。Int。j .电工实习。电力能源系统。125106544 (2021)谷歌学术搜索
  9. 9.
    Buzau, m.m., Tejedor-Aguilera, J., Cruz-Romero, P., Gómez-Expósito, A.:使用智能电表数据和监督学习检测非技术损失。IEEE反式。智能电网10(3), 2661 - 2670 (2018)谷歌学术搜索
  10. 10。
    Buzau, m m。关键词:混合深度神经网络,智能电能表,非技术损耗检测IEEE反式。电力系统。35(2),1254-1263(2019)CrossRef谷歌学术搜索
  11. 11.
    郑哲,杨勇,牛鑫,戴宏宁。基于深度卷积神经网络的智能电网窃电检测。IEEE反式。印第安纳州,通知。14(4), 1606 - 1615 (2017)CrossRef谷歌学术搜索
  12. 12.
    黄勇,黄启峰,许晓峰:基于堆叠稀疏去噪自编码器的电力盗窃检测。Int。j .电工实习。电力能源系统。125106448(2021)谷歌学术搜索
  13. 13.
    基于漂移感知的智能电网异常检测方法。IEEE访问79645 - 9657 (2019)CrossRef谷歌学术搜索
  14. 14.
    基于空间和时间深度学习的非技术性权力损失识别。见:2016第十五届IEEE机器学习与应用国际会议,272-279页(2016)谷歌学术搜索
  15. 15.
    Hasan,M.,Toma,R.N.,Nahid,A.-A.,Islam,M.M.,Kim,J.-M .:智能电网系统中的电力盗窃检测:基于CNN-LSTM的方法。能量12(17),3310(2019)谷歌学术搜索
  16. 16.
    Ramos, c.c.o., Rodrigues, D., de Souza, A.N., Papa, J.P.:巴西商业损失研究:用于盗窃表征的二进制黑洞算法。IEEE反式。智能电网9(2), 676 - 683 (2016)谷歌学术搜索
  17. 17.
    Coma-Puig,B.,Carmona,J.:通过非技术损失检测弥合能源消耗和分布之间的差距。能量12(9), 1748 (2019)CrossRef谷歌学术搜索
  18. 18.
    胡,T.,Guo,Q.,Sun,H.,Huang,T.-e.,LAN,J.:通过协调的BIWWAN和SVDD检测Nontechnical损失。IEEE反式。神经网络。学。系统。321866 - 1880 (2020)谷歌学术搜索
  19. 19.
    他,H.,Bai,Y.,Garcia,E.a.,Li,S .: Adasyn:适应性合成采样方法,用于学习的不平衡。:2008年IEEE国际神经网络联席会议,第1322-1328(2008)谷歌学术搜索
  20. 20。
    Javaid,N.,Jan,N.,Javed,M.U.: Adapive Synthesis处理与Deep Siamese Network进行智能电网的电力盗窃检测的不平衡大数据。J.并行分配。计算,0743-7315(2021)谷歌学术搜索

版权信息

©作者,在施普林格Nature Switzerland AG 2022独家许可下beplay登入

作者和联系

  1. 1.通讯卫星大学伊斯兰堡伊斯兰堡巴基斯坦
  2. 2.巴哈里亚大学伊斯兰堡伊斯兰堡巴基斯坦
  3. 3.管理科技大学拉合尔巴基斯坦

个性化的建议