ارائه یک مدل دومرحله ای جهت تشخیص تقلب در شبکه توزیع به وسیله یادگیری عمیق

شرکت های برق از دیرباز به دنبال شناسایی و کاهش موارد برق دزدی به عنوان اصلی ترین بخش تلفات غیر فنی بوده اند.از طرفی شناسایی این موارد لزوما از طریق بازرسی مشترکین ممکن است که شرکت های برق به دلایلی نظیر هزینه بالا، تعداد مشترکین و ... به دنبال کاهش محدوده بازرسی به موارد با احتمال برق دزدی بیشتر هستند. یکی از راهکارهای کاهش محدوده بازرسی، استفاده از روش های هوش مصنوعی است، اما چالش مهمی که در این حوزه وجود دارد عدم تعادل در نسبت مشرکین مشکوک به مشترکین عادی است که منجر به عملکرد ضعیف الگوریتم ها می شود. در این مقاله باهدف غلبه بر این چالش با فرض اینکه بتوان رفتار مشترک مشکوک را به صورت تابع ریاضی از رفتار مشترک عادی بیان کرد، در مرحله اول الگوی مصرف مشترکین عادی و مشکوک دسته بندی شده است؛ سپس یک شبکه عمیق اولیه جهت مدل سازی رفتار مشترکین مشکوک آموزش داده شده است. در ادامه به کمک شبکه آموزش داده شده اولیه، سناریوهای محتمل برق دزدی به ازای مشترکین عادی پیش بینی شده است. درنهایت یک شبکه عمیق ثانویه جهت تفکیک مشترکین عادی و مشکوک آموزش داده شده است. بررسی مدل پیشنهادی به ازای سناریوهای مختلف و مقایسه با تحقیقات پیشین بر روی مجموعه داده واقعی با بیش از ۶۰۰۰ مشترک عملکرد بالای آن را نشان می دهد.

Keywords:

Energy theft , Fraud detection , Classification suspicious customers , Load forecasting , Deep learning , برق دزدی , تشخیص تقلب , دسته بندی مشترکین مشکوک , پیش بینی الگو مصرف , یادگیری عمیق