کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6859251 1438699 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Clustering-based novelty detection for identification of non-technical losses
ترجمه فارسی عنوان
شناسایی تازگی مبتنی بر خوشه بندی برای شناسایی تلفات غیر فنی
کلمات کلیدی
خوشه بندی داده کاوی، تشخیص تلفات غیر فنی، سرقت برق، تشخیص نوآوری، اندازه گیری هوشمند
ترجمه چکیده
کاهش تلفات غیر فنی، بخش قابل توجهی از مزایای بالقوه بالقوه ناشی از پیاده سازی مفهوم شبکه هوشمند است. این مقاله یک روش مبتنی بر داده ها برای شناسایی منابع سرقت و سایر تلفات تجاری پیشنهاد می کند. نمونه هایی از رفتار مصرف معمول توسط جمع آوری اطلاعات جمع آوری شده از متر هوشمند استخراج می شود. چارچوب شناسایی مبتنی بر فاصله، نمونه های داده جدید را به عنوان بدخیم طبقه بندی می کند اگر فاصله آنها تا نمونه های اولیه مصرفی قابل توجه باشد. روش پیشنهادی در فضای چهار شاخص مختلف مصرف نامنظم است که امکان تفسیر آسان نتایج را فراهم می کند. برای ارزیابی روش، یک مورد استفاده بر اساس داده های واقعی ارائه شده است. مدل تهدید، شانزده نوع مختلف تغییرات در الگوی مصرف را در بر می گیرد که از تلفات غیر فنی، از جمله حملات و نقص هایی که از اولین روز اندازه گیری وجود دارد، حاصل می شود. روش پیشنهادی پیشنهادی مبتنی بر خوشه بندی مبتنی بر شناسایی تلفات غیر فنی با استفاده از الگوریتم خوشه بندی فازی گاستافسون-کندل، میزان مثبت واقعی 6/63٪ و نرخ مثبت کاذب 3/24٪ را به دست می دهد که از نظر عملکرد دیگر پیشرفته تر است روش های یادگیری بدون نظارت.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
شناسایی تازگی مبتنی بر خوشه بندی برای شناسایی تلفات غیر فنی
چکیده انگلیسی
The reduction of non-technical losses is a significant part of the total potential benefits resulting from implementations of the smart grid concept. This paper proposes a data-based method to detect sources of theft and other commercial losses. Prototypes of typical consumption behavior are extracted through clustering of data collected from smart meters. A distance-based novelty detection framework classifies new data samples as malign if their distance to the typical consumption prototypes is significant. The proposed method works on the space of four different indicators of irregular consumption, enabling the easy interpretation of results. A use case based on real data is presented to evaluate the method. The threat model considers sixteen different possible types of changes in consumption pattern that result from non-technical losses, including attacks and defects present since the first day of metering. The proposed clustering-based novelty detection method for identification of non-technical losses, using the Gustafson-Kessel fuzzy clustering algorithm, achieves a true positive rate of 63.6% and false positive rate of 24.3%, outperforming other state-of-the-art unsupervised learning methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Electrical Power & Energy Systems - Volume 101, October 2018, Pages 301-310
نویسندگان
, , ,