АЛГОРИТМ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ В ПРОЦЕССЕ ОПЕРАТИВНОГО ВЫЯВЛЕНИЯ БЕЗУЧЕТНОГО ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ В ЭЛЕКТРОСЕТЯХ

Ирбек Джабраилович Моргоев

Авторы

Ирбек Джабраилович Моргоев Северо-Кавказский горно-металлургический институт (государственный технологический университет), Владикавказ (Россия) https://orcid.org/0000-0003-4390-5662

Ключевые слова:

безучетное потребление, машинное обучение, имитационное моделирование, эксперимент, математическая статистика, эконометрика, коммерческие потери электроэнергии

Аннотация

В статье представлен алгоритм поддержки принятия решений, позволяющий оперативно выявлять безучетное потребление электроэнергии у бытовых потребителей. Рассматриваемый подход позволяет отслеживать аномальные значения потребления и принимать своевременные адресные и эффективные управленческие решения. Разработанный алгоритм был экспериментально апробирован в секторе бытовых потребителей на основе имеющихся данных с использованием методов машинного обучения и имитационного моделирования. Результаты эксперимента показали перспективность применения электросетевой компанией предложенного подхода к решению проблемы выявления безучетного потребления электроэнергии. Предлагаемый алгоритм позволил из множества потребителей электроэнергии выявлять подмножество с аномальным электропотреблением, тем самым сузив поле поиска потребителей с безучетным потреблением более чем в 12 раз.

Биография автора

Ирбек Джабраилович Моргоев, Северо-Кавказский горно-металлургический институт (государственный технологический университет), Владикавказ (Россия)

Аспирант

Библиографические ссылки

Воротницкий В.Э. Потери электроэнергии в электрических сетях: анализ и опыт снижения. // М.: НТФ «Энергопроцесс», 2006. 104 с.

Концепция цифровая трансформация 2030. // М.: ПАО Россети, 2018. 31 с.

Кобец Б.Б., Волкова И.О. Инновационное развитие электроэнергетики на базе концепции SMART GRID. // М.: ИАЦ Энергия, 2010. 208 с.

Toledo-Orozco M., Arias-Marin C., Álvarez-Bel C., Morales-Jadan D., Rodríguez-García J., Bravo-Padilla E. Innovative Methodology to Identify Errors in Electric Energy Measurement Systems in Power Utilities // Energies 2021. Vol. 14(4). P. 958.

Leite D., Pessanha J., Simões P., Calili R., Souza R.A. Stochastic Frontier Model for Definition of Non-Technical Loss Targets // Energies 2020. Vol. 13. P. 3227.

Messinis G., Hatziargyriou N. Review of non-technical loss detection methods // Electr. Power Syst. Res. 2018. Vol. 158. P. 250-266.

Ahmad T., Chen H., Wang J., Guo Y. Review of various modeling techniques for the detection of electricity theft in smart grid environment // Renew. Sustain. Energy Rev. 2018. Vol. 82. P. 2916-2933.

Wang D.-G., Dong J.-C., Huang L., Gong Y. Anomaly behavior detection based on ensemble decision tree in power distribution network. // In Proceedings of the 2018 4th Annual International Conference on Network and Information Systems for Computers (ICNISC), Wuhan, China. 2018. P. 312-316.

Guerrero J., León C., Monedero I., Biscarri F., Biscarri J. Improving Knowledge-Based Systems with statistical techniques, text mining, and neural networks for non-technical loss detection // Knowl. Based Syst. 2014. Vol. 71. P. 376-388.

Micheli G., Soda E., Vespucci M., Gobbi M., Bertani A. Big data analytics: An aid to detection of non-technical losses in power utilities // Comput. Manag. Sci. 2018. Vol. 16. P. 1-15.

Barros R., Costa E., Araujo J. Use of ANN for identification of consumers with irregular electrical installations. In Proceedings of the 2018 Simposio Brasileiro de Sistemas Eletricos (SBSE), Niteroi, Brazil. 2018. P. 1-6.

Jindal A., Dua A., Kaur K., Singh M., Kumar N., Mishra S. Decision Tree and SVM-Based Data Analytics for Theft Detection in Smart Grid // IEEE Trans. Ind. Inform. 2016. Vol. 12. P. 1005–1016.

Pulz J., Muller R.B., Romero F., Meffe A., Neto A.F.G., Jesus A.S. Fraud detection in low-voltage electricity consumers using socio-economic indicators and billing profile in smart grids // CIRED Open Access Proc. J. 2017. P. 2300–2303.

Glauner P., Meira J.A., Dolberg L., State R., Bettinger F., Rangoni Y. Neighborhood features help detecting non-technical losses in big data sets // In Proceedings of the 2016 IEEE/ACM 3rd International Conference on Big Data Computing Applications and Technologies (BDCAT), Shanghai. China. 2016. P. 253–261.

Saeed M.S., Mustafa M.W., Hamadneh N.N., Alshammari N.A., Sheikh U.U., Jumani T.A., Khalid S.B.A., Khan I. Detection of Non-Technical Losses in Power Utilities – A Comprehensive Systematic Review // Energies 2020. Vol. 13. P. 4727.

Adil M., Javaid N., Qasim U., Ullah I., Shafiq M., Choi J.-G. LSTM and Bat-Based RUSBoost Approach for Electricity Theft Detection // Appl. Sci. 2020. Vol. 10. P. 4378.

Salman Saeed M., Mustafa, M.W.; Sheikh U.U., Jumani T.A., Khan I., Atawneh S., Hamadneh N.N. An Efficient Boosted C5.0 Decision-Tree-Based Classification Approach for Detecting Non-Technical Losses in Power Utilities // Energies. 2020. Vol. 13. P. 3242.

Blazakis K.V., Kapetanakis T.N., Stavrakakis G.S. Effective Electricity Theft Detection in Power Distribution Grids Using an Adaptive Neuro Fuzzy Inference System // Energies 2020. Vol. 13. P. 3110.

Vahabzadeh A., Kasaeian A., Monsef H., Aslani A. A Fuzzy-SOM Method for Fraud Detection in Power Distribution Networks with High Penetration of Roof-Top Grid-Connected PV // Energies 2020. Vol. 13. P. 1287.

Li J., Wang F. Non-Technical Loss Detection in Power Grids with Statistical Profile Images Based on Semi-Supervised Learning // Sensors 2020. Vol. 20. P. 236.

Lu X., Zhou Y., Wang Z., Yi Y., Feng L., Wang F. Knowledge Embedded Semi-Supervised Deep Learning for Detecting Non-Technical Losses in the Smart Grid // Energies 2019. Vol. 12. P. 3452.

Hasan M.N., Toma R.N., Nahid A.-A., Islam M.M.M., Kim J.-M. Electricity Theft Detection in Smart Grid Systems: A CNN-LSTM Based Approach // Energies 2019. Vol. 12. P. 3310.

Saeed M.S., Mustafa M.W., Sheikh U.U., Jumani T.A., Mirjat N.H. Ensemble Bagged Tree Based Classification for Reducing Non-Technical Losses in Multan Electric Power Company of Pakistan // Electronics 2019. Vol. 8. P. 860.

Cody C., Ford V., Siraj A. Decision tree learning for fraud detection in consumer energy consumption // In Proceedings of the IEEE International Conference on Machine Learning and Applications, ICMLA, Miami, FL, USA 2015. P. 1175–1179.

Costa B.C., Alberto B.L., Portela A.M., Maduro W., Eler E.O. Horizonte. Fraud Detection in Electric Power Distribution Networks Using an ANN-Based Knowledge-Discovery Process // Int. J. Artif. Intell. Appl. IJAIA 2013. Vol. 4. P. 17–23.

Ершов К.С., Романова Т.Н. Анализ и классификация алгоритмов кластеризации // Новые информационные технологии в автоматизированных системах. 2016. № 19. С. 274-279.

Yakubu O., Babu C.N., Adjei O. Electricity theft: Analysis of the underlying contributory factors in Ghana // Energy Policy 2018. Vol. 123, P. 611–618.

Красник В.В. 102 способа хищения электроэнергии // "ЭНАС", 2008. 180 с.

Доугерти К. Введение в эконометрику // Пер. с англ. М.: ИНФРА-М, 1999. 402 с.

Smart meters in London [Электронный ресурс]. Режим доступа: https://www.kaggle.com/jeanmidev/smart-meters-in-london?select=informations_households.csv (Дата обращения: 10.12.2022).

Klyuev R.V., Morgoev I.D., Morgoeva A.D., Gavrina O.A., Martyushev N.V., Efremenkov E.A., Mengxu Q. Methods of Forecasting Electric Energy Consumption: A Literature Review // Energies 2022. Vol. 15, P. 8919.

Системный анализ и принятие решений: Словарь-справочник: Учеб. пособие для вузов под ред. Волковой В.Н., Козлова В.Н. // М.: Высш. шк., 2004. 616 с.