基于深度学习的高效电力盗窃检测
Nada M Elshennawy1, Dina M Ibrahim2, Ahmed M Gab Allah3
1Department of Computers and Control Engineering, Faculty of Engineering, Tanta University, Tanta, 31733, Egypt. Nada_elshennawy@f-eng.tanta.edu.eg.
本研究介绍了一种先进的深度学习方法,用于使用智能电网数据检测电力盗窃. 这种新的方法实现了97%的准确性,优于现有的方法,并提高了电网安全性.
科学领域:
- 电气工程 电气工程
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 电力盗窃是一个全球性问题,对公用事业公司造成重大财务损失,并增加消费者的成本.
- 智能电网产生大量数据,为高级分析提供机会,以检测能源盗窃.
- 现有的电力盗窃检测方法面临数据质量和阶级不平衡的挑战.
研究的目的:
- 开发和评估一种新的深度学习方法,用于准确检测电力盗窃.
- 用数据增强技术解决数据的局限性,如不完整性和不平衡性.
- 使用现实数据,将拟议方法的性能与现有的最先进技术进行比较.
主要方法:
- 使用混合模型,将卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络结合起来.
- 使用LoRAS数据增强来克服数据集缺陷,如不完整和不平衡的数据.
- 使用来自中国国家电网公司的真实电力消耗数据验证了该方法.
主要成果:
- 取得了97%的验证准确性,超过了以前的研究1%.
- 报告了高性能指标,包括准确性 (98.75%,95.45%,97.7%),回忆力和F1分数.
- 与同一个数据集上评估的其他方法相比,证明了优异的性能.
结论:
- 拟议的CNN-LSTM方法与LoRAS增强有效地检测电力盗窃.
- 该方法显著提高了准确性,并克服了智能电网分析中常见的数据挑战.
- 这项研究提供了一个具有竞争力和准确的解决方案,用于识别智能电网中的电力盗窃.
更多相关视频
06:37Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
相关概念视频
Energy and Power Signals
Energy Losses in Transformers
There are four main reasons for energy losses in transformers.
The first cause can be the high resistance of the...
Electrical Energy
Fast Decoupled and DC Powerflow
Distribution Reliability and Automation
Back EMF
