شبکه های عصبی کانولوشنی عمیق و وسیع برای شناسایی سرقت برق

سرقت برق برای شبکه های برق مضر است. با ادغام جریان های اطلاعاتی با جریان های انرژی، شبکه های هوشمند می توانند به حل مشکل سرقت برق کمک کنند زیرا داده های عظیمی که از شبکه های هوشمند تولید می شود، در دسترس است. تحلیل داده ها در شبکه های هوشمند به شناسایی سرقت برق کمک می کند زیرا الگوی مصرف برق غیرعادی دزدان انرژی را شناسایی می کند. با این حال، روش های موجود دقت شناسایی سرقت برق ضعیفی دارند زیرا بیشتر آن ها بر اساس داده های مصرف برق یک بعدی (۱-D) انجام شده و قادر به Capturing دوره ای از مصرف برق نیستند. در این مقاله، ما به طور اصلی یک روش شناسایی سرقت برق جدید مبتنی بر مدل شبکه های عصبی کانولوشنی عمیق و وسیع (CNN) پیشنهاد می دهیم تا به مشکلات فوق بپردازیم. به ویژه، مدل CNN عمیق و وسیع شامل دو جزء است: جزء وسیع و جزء CNN عمیق. جزء CNN عمیق می تواند غیر دوره ای بودن سرقت برق و دوره ای بودن مصرف عادی برق را بر اساس داده های مصرف برق دو بعدی (۲-D) شناسایی کند. در عین حال، جزء وسیع می تواند ویژگی های کلی داده های مصرف برق یک بعدی (۱-D) را Capturing کند. در نتیجه، مدل CNN عمیق و وسیع می تواند عملکرد عالی در شناسایی سرقت برق را به دست آورد. آزمایش های گسترده بر اساس مجموعه داده های واقعی نشان می دهد که مدل CNN عمیق و وسیع از سایر روش های موجود پیشی می گیرد.

کلیدواژه ها:

شبکه های عصبی کانولوشنی (CNN) ، یادگیری عمیق ، شناسایی سرقت برق ، یادگیری ماشین ، شبکه های هوشمند.