ỨNG DỤNG MẠNG NƠ-RON TÍCH CHẬP ĐỂ PHÁT HIỆN HÀNH VI ĂN TRỘM ĐIỆN DỰA TRÊN DỮ LIỆU TỪ CÔNG TƠ THÔNG MINH | Minh | TNU Journal of Science and Technology

ỨNG DỤNG MẠNG NƠ-RON TÍCH CHẬP ĐỂ PHÁT HIỆN HÀNH VI ĂN TRỘM ĐIỆN DỰA TRÊN DỮ LIỆU TỪ CÔNG TƠ THÔNG MINH

Thông tin bài báo

Ngày nhận bài: 06/05/22                Ngày hoàn thiện: 31/05/22                Ngày đăng: 31/05/22

Các tác giả

1. Nguyễn Quốc Minh Email to author, Trường Điện - Điện tử, Trường Đại học Bách Khoa Hà Nội
2. Nguyễn Đăng Tiến, Trường Điện - Điện tử, Trường Đại học Bách Khoa Hà Nội

Tóm tắt


Tổn thất điện năng là một trong các chỉ tiêu quan trọng để đánh giá chất lượng điện năng. Tổn thất điện năng bao gồm hai thành phần là tổn thất kỹ thuật và tổn thất phi kỹ thuật. Tổn thất kỹ thuật là tổn thất đồng và tổn thất sắt trên các thiết bị điện như máy phát điện, đường dây, máy biến áp, động cơ. Tổn thất phi kỹ thuật là tổn thất ở khâu quản lý, đo đếm điện năng và ăn trộm điện. Trong các loại tổn thất phi kỹ thuật, tổn thất điện năng do hành vi trộm cắp điện là dạng tổn thất phổ biến, gây thiệt hại về mặt kinh tế nhưng lại khó phát hiện bằng các phương pháp truyền thống. Trong nghiên cứu này, chúng tôi đề xuất sử dụng phương pháp học sâu, dựa trên mô hình mạng nơ-ron tích chập kết hợp với cơ chế tập trung để phát hiện hành vi trộm cắp điện. Mô hình được huấn luyện trên tập dữ liệu được thu thập từ 42372 khách hàng trong 147 tuần. Kết quả phân loại cho thấy, mô hình đề xuất có thể phát hiện được hành vi trộm cắp điện của người dùng với độ chính xác AUC là 92,2%.

Từ khóa


Trộm cắp điện; Lưới điện thông minh; Mạng nơ-ron tích chập; Học sâu; Cơ chế tập trung

Toàn văn:

PDF

Tài liệu tham khảo


[1] P. Glauner et al., “The challenge of non-technical loss detection using artificial intelligence: A survey,” International Journal of Computational Intelligence Systems, vol. 10, no. 1, p. 760, 2017.

[2] ANEEL, “Perdas de energia eltrica na distribuio,” 2019. [Online]. Available: http://www.aneel.gov.br/documents/654800/18766993/Relatrio+Perdas+de+Energia_+Edio+1-2019-02-07.pdf, 07.2019.

[3] P. McDaniel and S. McLaughlin, “Security and privacy challenges in the smart grid,” IEEE Security & Privacy Magazine, vol. 7, no. 3, pp. 75-77, 2009.

[4] PC Ha Tinh, “Detect 92 electricity theft from custormers with 600 millions VND fine,” 2021. [Online]. Available: https://thuonghieucongluan.com.vn/dien-luc-ha-tinh-xu-ly-92-vu-an-cap-dien-truy-thu-hon-600-trieu-dong-a125633.html, 01.2021.

[5] S. McLaughlin, B. Holbert, A. Fawaz, R. Berthier, and S. Zonouz, “A multi-sensor energy theft detection framework for advanced metering infrastructures,” IEEE Journal on Selected Areas in Communications, vol. 31, no. 7, pp. 1319-1330, 2013.

[6] A. Jindal, A. Dua, K. Kaur, M. Singh, N. Kumar, and S. Mishra, “Decision tree and SVM-based data analytics for theft detection in smart grid,” IEEE Trans. Ind. Inform., vol. 12, pp. 1005-1016, 2016.

[7] S. Li, Y. Han, X. Yao, S. Yingchen, J. Wang, and Q. Zhao. “Electricity Theft Detection in Power Grids with Deep Learning and Random Forests,” Journal of Electrical and Computer Engineering, vol. 2019, 2019, Art. no. 4136874.

[8] S. S. S. R. Depuru, L. Wang, V. Devabhaktuni, and P. Nelapati, “A hybrid neural network model and encoding technique for enhanced classification of energy consumption data,” Proceedings of the 2011 IEEE Power and Energy Society General Meeting, San Diego, CA, USA, 24–29 July 2011.

[9] L. Liu, H. Jiang, P. He, W. Chen, X. Liu, J. Gao, and J. Han, “On the variance of the adaptive learning rate and beyond,” The International Conference on Learning Representations, 2020.

[10] A. Turpin and F. Scholer, “User performance versus precision measures for simple search tasks,” Proceedings of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR 06, New York, NY, USA, 2006.

[11] F. A. Bohani, A. Suliman, M. Saripuddin, S. S. Sameon, N. S. Md Salleh, and S. Nazeri, "A Comprehensive Analysis of Supervised Learning Techniques for Electricity Theft Detection," Journal of Electrical and Computer Engineering, vol. 2021, 2021, Art. no. 9136206.

[12] Z. Zheng, Y. Yang, X. Niu, H.-N. Dai, and Y. Zhou, "Wide & Deep Convolutional Neural Networks for Electricity-Theft Detection to Secure Smart Grids," IEEE Transactions on Industrial Informatics, vol. 14, no. 4, pp. 1606-1615, April 2018.




DOI: https://doi.org/10.34238/tnu-jst.5947

Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu
Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên
Phòng 408, 409 - Tòa nhà Điều hành - Đại học Thái Nguyên
Phường Tân Thịnh - Thành phố Thái Nguyên
Điện thoại: 0208 3840 288 - E-mail: jst@tnu.edu.vn
Phát triển trên nền tảng Open Journal Systems
©2018 All Rights Reserved