تشخیص سرقت انرژی در شبکه های هوشمند با استفاده از الگوهای مصرف برق و روش LSTM

یکی از عوامل اصلی که منجر به تلفات انرژی برای سیستمهای توزیع برق می شود، برق دزدی یا سرقت انرژی است. سرقت انرژی، دستکاری در قرائت کنتور هوشمند برای کاهش مصرف انرژی مشترک و کاهش قبوض برق است. سارق انرژی تمایل به مصرف انرژی بیشتری دارد و از این رو، سرقت به صورت اضافه بار ترانسفورماتور، عدم تعادل ولتاژ و افت ولتاژ در باسهای سیستم بر کیفیت منبع تغذیه تاثیر منفی می گذارد. در همین حال، زیانهای اقتصادی زیادی را نیز برای تجارت تاسیسات برق ایجاد می کند. از این رو در طی سالیان اخیر بسیاری از فعالان صنعت برق به روش های شناسایی سرقت انرژی به ویژه روش های هوشمند مبتنی بر داده های کنتور هوشمند روی آورده اند. به منظور فعال کردن تشخیص سرقت انرژی کارآمد، رویکردهای داده محور از جمله استفاده از شبکه های عصبی عمیق آموزش دیده در این مقاله پیشنهاد شده است. رویکردهای یادگیری ماشینی می توانند سرقت انرژی شامل اتصالات مخفیانه یا دستکاری کنتور در سطح کنتورهای هوشمند یا سطوح جمع شده را شناسایی کنند. در این مقاله، اثربخشی تشخیص رویکردهای مختلف بر روی داده های نمونه موردی واقعی در سطح مصرف کننده نهایی ارزیابی می شود. چالش های عدم تعادل و مقادیر از دست رفته (حدود ۲۵٪ از کل فیلدها) در روش مبتنی بر LSTM پرداخته شده است. در این مقاله، نتایجی بر روی داده های مصرف واقعی انرژی به دست می آید تا عملکرد باالتر راه حل های پیشنهادی را در مقایسه با طرح های ارائه شده قبلی نشان دهد.

کلیدواژه ها:

سرقت انرژی ، یادگیری عمیق ، کنتور هوشمند ، تجزیه و تحلیل داده ها ، یادگیری ماشین