تشخیص سرقت برق با استفاده از شبکه های عصبی و داده کاوی مصرف مشترکین

سرقت برق یکی از چالش های اساسی صنعت برق است که سالانه خسارات اقتصادی قابل توجهی به شرکت های توزیع نیرو وارد می کند. روش های سنتی تشخیص سرقت برق مانند بازرسی فیزیکی و تحلیل دستی داده ها زمان بر، پرهزینه و دارای دقت پایین هستند. این مقاله چارچوب نظری جامعی برای تشخیص سرقت برق با استفاده از ترکیب شبکه های عصبی عمیق و تکنیک های داده کاوی ارائه می دهد. معماری پیشنهادی از شبکه های CNN-LSTM برای استخراج ویژگی های زمانی مکانی از داده های مصرف مشترکین استفاده می کند و آن را با الگوریتم های داده کاوی شامل خوشه بندی، تشخیص ناهنجاری و قوانین انجمنی ترکیب می نماید. مروری جامع بر تحقیقات پیشین نشان می دهد که روش های یادگیری ماشین سنتی دقت ۷۵ تا ۸۶ درصد دارند در حالی که مدل های عمیق و ترکیبی می توانند دقت را به بیش از ۹۰ درصد افزایش دهند. تحلیل مقایسه ای روش های موجود بر اساس معیارهای دقت، پیچیدگی محاسباتی، نیاز به داده و قابلیت تفسیر انجام شده است. نتایج نظری نشان می دهد که استفاده از مدل های Ensemble و مدیریت عدم تعادل کلاس ها، عملکرد سیستم را به طور قابل ملاحظه ای بهبود می بخشد.

کلیدواژه ها:

سرقت ، برق ، شبکه های عصبی ، عمیق ، داده کاوی ، یادگیری ، ماشین ، تشخیص ناهنجاری