محمدرضا محمدیان آسیابر - کارشناسی ارشد، گروه مهندسی برق، دانشگاه آزاد اسلامی واحد کرج، کرج،
جابر کوچکی سفید داربنی - کارشناسی ارشد، گروه مهندسی برق، دانشگاه آزاد اسلامی واحد کرج، کرج

در این مقاله، در خانه هوشمند مدرن، کنتورهای هوشمند و اینترنت اشیا (IoT) به طور گسترده برای جایگزینی کنتورهای آنالوگ سنتی مستقر شده اند . این کار جمع آوری داده ها و قرائت کنتور را کم می کند . داده ها می توانند به صورت بی سیم منتقل شوند که به طور قابل توجهی کارهای دستی را کاهش می دهد . با این حال، جامعه شبکه خانه هوشمند در برابر سرقت انرژی آسیب پذیر است . چنین حملاتی را نمی توان به طور موثر شناسایی کرد زیرا تکنیک های موجود نیازمند نصب دستگاه های خاصی برای کار هستند . این امر چالشی را برای پیاده سازی سیستم های تشخیص سرقت انرژی با وجود عدم وجود دستگاه های پایش انرژی تحمیل می کند . این مقاله یک سیستم تشخیص انرژی به نام سیستم سرقت انرژی هوشمند (SETS) را براساس یادگیری ماشینی و مدل های آماری توسعه می دهد . سه مرحله از ماژول های تصمیم گیری وجود دارد، مرحله اول مدل پیش بینی است که از سیستم پیش بینی چند مدلی استفاده می کند . این سیستم مدل های مختلف یادگیری ماشین را در یک سیستم پیش بینی واحد برای پیش بینی مصرف برق ادغام می کند . مرحله دوم مدل تصمیم گیری اولیه است که از میانگین متحرک ساده (SMA) برای فیلترینگ غیر عادی استفاده می کند . مرحله سوم مدل تصمیم گیری ثانویه است که مرحله نهایی تصمیم گیری در مورد سرقت انرژی را تشکیل می دهد . نتایج شبیه سازی نشان می دهد که سیستم پیشنهادی می تواند با موفقیت دقت ۹۹.۹۶ % را تشخیص دهد که امنیت خانه هوشمند مبتنی بر IoT را افزایش می دهد

خانه های هوشمند، شبکه هوشمند، اینترنت اشیا، سرقت انرژی، تکنیک های یادگیری ماشینی.