تشخیص سرقت برق با استفاده از اعمال یادگیری عمیق بر داده های مصرف برق

افزایش نرخ بهای برق در سالهای اخیر و عدم واگذاری انشعاب به متقاضیان فاقد مجوز، خصوصاً واحدهای مسکونی که دارای پروانه ساختمانی نمی باشند منجر به افزایش تلفات غیر فنی برق شده است. سرقت برق از مهم‌ترین دلایل غیرفنی است که ضررهای مالی قابل‌توجه ای به شرکت‌های توزیع برق کشور تحمیل می کند. این پژوهش با استفاده از تکنیک‌های یادگیری عمیق و هوش مصنوعی ، یک رویکرد جامع برای تشخیص سرقت برق در شرکت توزیع برق گیلان ارائه می‌دهد. در این رویکرد، ابتدا داده‌های واقعی مصرف برق مشترکین که از کنتورهای هوشمند جمع‌آوری شده‌اند، با روش‌های مختلف پیش پردازش داده‌ها تصحیح و نرمالسازی شده و پس از آن این داده های نامتعادل شبکه هوشمند جهت جلوگیری از بیش برازش با روش آداسین متعادلسازی می شوند، سپس، با تبدیل داده‌ها به تصاویر و استفاده از یک شبکه عصبی عمیق از پیش آموخته (mobilenetv3large) ویژگی‌های مهم از داده‌ها با آموزش تدریجی استخراج خواهد شد و در نهایت، با استفاده از یک روش یادگیری ماشین نظارت شده به نام xgboost که پارامترهای آن با یک الگوریتم بهینه‌سازی مبتنی بر الگوریتم کرم شب تاب بهینه شده‌اند، داده‌ها به دو کلاس مشترکین عادی و غیرمجاز تقسیم و سارقان برق شناسایی می‌شوند. نتایج نشان می‌دهند که مدل پیشنهادی عملکرد بسیار خوبی دارد و از شبکه های عصبی vgg16 ، efficeintnetb4 در شرایط یکسان و مدل‌های چون ماشین بردار پشتیبان ، رگرسیون لجستیک وcnn ، lstm-rusboost بهتر عمل می کند و دقت 96.33% را در داده‌های آزمایشی حاصل می‌کند. نتیجه این رویکرد می‌تواند به شرکت‌های برق کمک کند تا با استفاده از داده‌های واقعی مصرف برق، سارقان برق را شناسایی کرده و از تلفات درآمد قابل ‌توجه جلوگیری نماید.