ارائه یک مدل دومرحله ای جهت تشخیص تقلب در شبکه توزیع به وسیله یادگیری عمیق
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 386
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIAE-19-1_002
تاریخ نمایه سازی: 18 اردیبهشت 1401
چکیده مقاله:
شرکت های برق از دیرباز به دنبال شناسایی و کاهش موارد برق دزدی به عنوان اصلی ترین بخش تلفات غیر فنی بوده اند.از طرفی شناسایی این موارد لزوما از طریق بازرسی مشترکین ممکن است که شرکت های برق به دلایلی نظیر هزینه بالا، تعداد مشترکین و ... به دنبال کاهش محدوده بازرسی به موارد با احتمال برق دزدی بیشتر هستند. یکی از راهکارهای کاهش محدوده بازرسی، استفاده از روش های هوش مصنوعی است، اما چالش مهمی که در این حوزه وجود دارد عدم تعادل در نسبت مشرکین مشکوک به مشترکین عادی است که منجر به عملکرد ضعیف الگوریتم ها می شود. در این مقاله باهدف غلبه بر این چالش با فرض اینکه بتوان رفتار مشترک مشکوک را به صورت تابع ریاضی از رفتار مشترک عادی بیان کرد، در مرحله اول الگوی مصرف مشترکین عادی و مشکوک دسته بندی شده است؛ سپس یک شبکه عمیق اولیه جهت مدل سازی رفتار مشترکین مشکوک آموزش داده شده است. در ادامه به کمک شبکه آموزش داده شده اولیه، سناریوهای محتمل برق دزدی به ازای مشترکین عادی پیش بینی شده است. درنهایت یک شبکه عمیق ثانویه جهت تفکیک مشترکین عادی و مشکوک آموزش داده شده است. بررسی مدل پیشنهادی به ازای سناریوهای مختلف و مقایسه با تحقیقات پیشین بر روی مجموعه داده واقعی با بیش از ۶۰۰۰ مشترک عملکرد بالای آن را نشان می دهد.
کلیدواژه ها:
Energy theft ، Fraud detection ، Classification suspicious customers ، Load forecasting ، Deep learning ، برق دزدی ، تشخیص تقلب ، دسته بندی مشترکین مشکوک ، پیش بینی الگو مصرف ، یادگیری عمیق
نویسندگان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :