تشخیص سرقت برق با استفاده از اعمال یادگیری عمیق بر داده های مصرف برق

افزایش نرخ بهای برق در سالهای اخیر و عدم واگذاری انشعاب به متقاضیان فاقد مجوز، خصوصا واحدهای مسکونی که دارای پروانه ساختمانی نمی باشند منجر به افزایش تلفات غیر فنی برق شده است. سرقت برق از مهم ترین دلایل غیرفنی است که ضررهای مالی قابل توجه ای به شرکت های توزیع برق کشور تحمیل می کند. این پژوهش با استفاده از تکنیک های یادگیری عمیق و هوش مصنوعی ، یک رویکرد جامع برای تشخیص سرقت برق در شرکت توزیع برق گیلان ارائه می دهد. در این رویکرد، ابتدا داده های واقعی مصرف برق مشترکین که از کنتورهای هوشمند جمع آوری شده اند، با روش های مختلف پیش پردازش داده ها تصحیح و نرمالسازی شده و پس از آن این داده های نامتعادل شبکه هوشمند جهت جلوگیری از بیش برازش با روش آداسین متعادلسازی می شوند، سپس، با تبدیل داده ها به تصاویر و استفاده از یک شبکه عصبی عمیق از پیش آموخته (MobileNetV۳Large) ویژگی های مهم از داده ها با آموزش تدریجی استخراج خواهد شد و در نهایت، با استفاده از یک روش یادگیری ماشین نظارت شده به نام XGBoost که پارامترهای آن با یک الگوریتم بهینه سازی مبتنی بر الگوریتم کرم شب تاب بهینه شده اند، داده ها به دو کلاس مشترکین عادی و غیرمجاز تقسیم و سارقان برق شناسایی می شوند. نتایج نشان می دهند که مدل پیشنهادی عملکرد بسیار خوبی دارد و از شبکه های عصبی VGG۱۶ ، EfficeintNetB۴ در شرایط یکسان و مدل های چون ماشین بردار پشتیبان ، رگرسیون لجستیک وCNN ، LSTM-RusBoost بهتر عمل می کند و دقت ۹۶.۳۳% را در داده های آزمایشی حاصل می کند. نتیجه این رویکرد می تواند به شرکت های برق کمک کند تا با استفاده از داده های واقعی مصرف برق، سارقان برق را شناسایی کرده و از تلفات درآمد قابل توجه جلوگیری نماید.

کلیدواژه ها:

پیش پردازش داده ها ، سرقت برق ، داده های نامتعادل ، شبکه هوشمند ، یادگیری عمیق