ارائه یک مدل دومرحله‌ای جهت تشخیص تقلب در شبکه توزیع به‌وسیله یادگیری عمیق

شرکت‌های برق از دیرباز به دنبال شناسایی و کاهش موارد برق‌دزدی به‌عنوان اصلی‌ترین بخش تلفات غیر فنی بوده‌اند.از طرفی شناسایی این موارد لزوماً از طریق بازرسی مشترکین ممکن است که شرکت‌های برق به دلایلی نظیر هزینه بالا، تعداد مشترکین و ... به دنبال کاهش محدوده بازرسی به موارد با احتمال برق‌دزدی بیشتر هستند. یکی از راهکارهای کاهش محدوده بازرسی، استفاده از روش‌های 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 الگوریتم‌ها می‌شود. در این مقاله باهدف غلبه بر این چالش با فرض اینکه بتوان رفتار مشترک مشکوک را به‌صورت تابع ریاضی از رفتار مشترک عادی بیان کرد، در مرحله اول الگوی مصرف مشترکین عادی و مشکوک دسته‌بندی‌شده‌ است؛ سپس یک شبکه عمیق اولیه جهت مدل‌سازی رفتار مشترکین مشکوک آموزش داده‌شده است. در ادامه به کمک شبکه آموزش داده‌شده اولیه، سناریوهای محتمل برق‌دزدی به ازای مشترکین عادی پیش‌بینی‌شده است. درنهایت یک شبکه عمیق ثانویه جهت تفکیک مشترکین عادی و مشکوک آموزش داده‌شده است. بررسی مدل پیشنهادی به ازای سناریوهای مختلف و مقایسه با تحقیقات پیشین بر روی مجموعه داده واقعی با بیش از 6000 مشترک عملکرد بالای آن را نشان می‌دهد.

A Two-Stage Model to Detect Electricity Fraud in The Distribution Network Using Deep Learning

Electricity utility have long sought to identify and reduce energy theft, which represents significant part of nontechnical losses. On the other hand, once a fraudulent customer is detected, onsite inspection is necessary for final verification. Since inspecting all customers is expensive, utilities seek to reduce the range of inspection to cases with a higher probability of theft. One way to reduce the scope of inspection is to use artificial intelligencebased methods. An essential challenge here is data imbalance in terms of the ratio of normal to fraudulent customers, which leads to the poor performance of algorithms. In This paper in order to overcome this challenge, assuming that suspicious behavior can be expressed as a mathematical function of normal behavior, in the first stage, the consumption pattern of normal and suspicious customers is categorized using clustering algorithms. Then a deep neural network is trained to model suspicious customers. Next, using trained network, possible theft scenarios for normal costumers are predicted. Finally, a secondary deep neural network is trained to separate the normal and suspicious customers. Assessment of the proposed algorithm for different scenarios on a real dataset with more than 6000 customers and comparison with previous research shows its high performance.