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

پیام:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:

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 6000 مشترک عملکرد بالای آن را نشان می دهد.

زبان:
فارسی
صفحات:
13 تا 22
لینک کوتاه:
magiran.com/p2419443 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!