تشخيص سرقت برق با استفاده از اعمال يادگيري عميق بر داده هاي مصرف برق

Electricity Theft Detection by Applying Deep Learning on Power Consumption Data

افزايش نرخ بهاي برق در سالهاي اخير و عدم واگذاري انشعاب به متقاضيان فاقد مجوز، خصوصاً واحدهاي مسكوني كه داراي پروانه ساختماني نمي باشند منجر به افزايش تلفات غير فني برق شده است. سرقت برق از مهم‌ترين دلايل غيرفني است كه ضررهاي مالي قابل‌توجه اي به شركت‌هاي توزيع برق كشور تحميل مي كند. اين پژوهش با استفاده از تكنيك‌هاي يادگيري عميق و هوش مصنوعي ، يك رويكرد جامع براي تشخيص سرقت برق در شركت توزيع برق گيلان ارائه مي‌دهد. در اين رويكرد، ابتدا داده‌هاي واقعي مصرف برق مشتركين كه از كنتورهاي هوشمند جمع‌آوري شده‌اند، با روش‌هاي مختلف پيش پردازش داده‌ها تصحيح و نرمالسازي شده و پس از آن اين داده هاي نامتعادل شبكه هوشمند جهت جلوگيري از بيش برازش با روش آداسين متعادلسازي مي شوند، سپس، با تبديل داده‌ها به تصاوير و استفاده از يك شبكه عصبي عميق از پيش آموخته (MobileNetV3Large) ويژگي‌هاي مهم از داده‌ها با آموزش تدريجي استخراج خواهد شد و در نهايت، با استفاده از يك روش يادگيري ماشين نظارت شده به نام XGBoost كه پارامترهاي آن با يك الگوريتم بهينه‌سازي مبتني بر الگوريتم كرم شب تاب بهينه شده‌اند، داده‌ها به دو كلاس مشتركين عادي و غيرمجاز تقسيم و سارقان برق شناسايي مي‌شوند. نتايج نشان مي‌دهند كه مدل پيشنهادي عملكرد بسيار خوبي دارد و از شبكه هاي عصبي VGG16 ، EfficeintNetB4 در شرايط يكسان و مدل‌هاي چون ماشين بردار پشتيبان ، رگرسيون لجستيك وCNN ، LSTM-RusBoost بهتر عمل مي كند و دقت 96.33% را در داده‌هاي آزمايشي حاصل مي‌كند. نتيجه اين رويكرد مي‌تواند به شركت‌هاي برق كمك كند تا با استفاده از داده‌هاي واقعي مصرف برق، سارقان برق را شناسايي كرده و از تلفات درآمد قابل ‌توجه جلوگيري نمايد.