Κατάλογος Εκδηλώσεων

Τίτλος: Υλοποίηση αλγορίθμων εντοπισμού ρευματοκλοπής με χρήση νευρωνικών δικτύων και ασαφούς λογικής (Implementation of power theft detection algorithms based on neural networks and fuzzy logic techniques)

Εξεταστική Επιτροπή:

Καθηγητής Σταυρακάκης Γεώργιος (επιβλέπων)

Καθηγητής Ζερβάκης Μιχάλης

Δρ. Σεργάκη Ελευθερία, μέλος ΕΔΙΠ

Περίληψη:

Ο κύριος λόγος της συγγραφής αυτής της εργασίας είναι η ανίχνευση των μη τεχνικών απωλειών σε ένα έξυπνο ηλεκτρικό δίκτυο. Με τη χρήση αλγορίθμων-τεχνικών για την ανάλυση των μοτίβων κατανάλωσης, αναγνωρίζουμε τους παράνομους καταναλωτές με βάση τις ανωμαλίες που εντοπίζονται στα δεδομένα κατανάλωσης τους.

H διανομή και μεταφορά του ηλεκτρικού ρεύματος περιλαμβάνει σημαντικές τεχνικές όπως επίσης και μη τεχνικές απώλειες. Η παράνομη κατανάλωση του ηλεκτρικού ρεύματος αποτελεί σημαντικό μερίδιο των μη τεχνικών απωλειών. Με την έλευση προηγμένων τεχνολογιών μέτρησης, δεδομένα κατανάλωσης ενέργειας είναι διαθέσιμα στις υπηρεσίες σε πραγματικό χρόνο ,πράγμα που μπορεί να χρησιμοποιηθεί για την αναγνώριση των παράνομων πελατών. Η διπλωματική αυτή παρουσιάζει 5 διαφορετικές αλγοριθμικές προσεγγίσεις που χρησιμοποιούνται για την αναγνώριση  ανωμαλιών στη κατανάλωση ενέργειας.

Πρώτα, συγκεντρώσαμε τα δεδομένα κατανάλωσης ηλεκτρικής ενέργειας, τα οποία μας παραχωρήθηκαν από ένα πραγματικό ηλεκτρικό δίκτυο στην Ιρλανδία. Τα δεδομένα αυτά περιείχαν 6 περιπτώσεις με διαφορετικά ποσοστά και είδη κλοπής ανά περίπτωση. Συγκεκριμένα, είχαμε

• Δεδομένα με μερική κλοπή 30-50%
• Δεδομένα με μερική κλοπή 50-70%
• Δεδομένα με υπερφόρτωση 40-60%
• Δεδομένα με υπερφόρτωση 60-80%
• Δεδομένα με υπερφόρτωση 80-100%
• Δεδομένα με υπερφόρτωση 60-80% και μερική κλοπή 50-70%

Ελέγξαμε κάθε περίπτωση κλοπής ηλεκτρικής ενέργειας από τις παραπάνω σε 30λεπτες (δηλαδή για κάθε καταναλωτή είχαμε μία μέτρηση ανά 30 λεπτά) μετρήσεις όπου είχαμε στη κατοχή μας. Μετατρέψαμε τις 30λεπτες μετρήσεις σε 8ωρες (δηλαδή για κάθε καταναλωτή είχαμε μία μέτρηση ανά 8 ώρες) και δουλέψαμε κυρίως με αυτές καθώς τα αποτελέσματα σε σύγκριση με τις 30λεπτες μετρήσεις ήταν σε γενικές γραμμές ίδια. Έπειτα, με τη εξαγωγή features από τα δεδομένα , τεχνικών κανονικοποίησης και τη μέθοδο PCA (principal component analysis)  επεξεργαστήκαμε τα δεδομένα έτσι ώστε να είναι πιο αποδοτικά για τις 5  διαφορετικές αλγοριθμικές μεθόδους που ακολούθησαν με στόχο να κατηγοριοποιήσουν τους καταναλωτές σε νόμιμους ή παράνομους.

Τα εργαλεία που χρησιμοποιήθηκαν σε αυτή τη διατριβή για τη δημιουργία νευρωνικών δικτύων για το classification των παράνομων και νόμιμων καταναλωτών ήταν η βιβλιοθήκη Fast Artificial Neural Network (FANN) και το Deep Learning Tool (ή Toolbox για νευρωνικά δίκτυα) της Matlab. Για λόγους σύγκρισης εφαρμόσαμε άλλες τρεις μεθόδους, οι οποίες δεν βασίζονταν σε νευρωνικά δίκτυα. Η πρώτη χρησιμοποίησε τη βιβλιοθήκη LibOPF για το σχεδιασμό optimum path forest classifiers, η δεύτερη Support Vector Machines (SVM) και η τρίτη Neuro-Fuzzy Inference System.

Τέλος, συζητήσαμε τα αποτελέσματα των παραπάνω τεχνικών ανίχνευσης ρευματοκλοπής που υλοποιήθηκαν. Παρατηρήσαμε ότι σχεδόν όλες οι αλγοριθμικές μέθοδοι που χρησιμοποιήθηκαν μας έδωσαν πολύ ικανοποιητικά αποτελέσματα για την ανίχνευση ανωμαλιών στα δεδομένα κατανάλωσης ενέργειας.