¡Gracias por participar!
Accede al tuyo Pro+ contenido a continuación.
abril 2022
Royal Holloway: aprendizaje profundo contra el robo de energía

El robo de energía es un problema crítico para los operadores de la red eléctrica y, como resultado, se pierden miles de millones de libras cada año. En una red eléctrica tradicional, el robo de energía es difícil de detectar debido a la comunicación y transferencia de datos limitadas. Los contadores inteligentes junto con la tecnología de minería de datos dan lugar a importantes innovaciones tecnológicas en el campo de la detección del robo de energía. Este artículo de nuestra serie de seguridad de Royal Holloway describe un modelo de detección de robo de energía basado en memoria convolucional a largo plazo para identificar a los ladrones de electricidad.
contenido
- El robo de energía es un delito penal en muchos países y, por lo general, se refiere a evitar deliberadamente que los consumidores de energía paguen facturas legítimas.
- El robo de energía no solo perturba un mercado justo para el consumo de electricidad, sino que también provoca importantes pérdidas financieras para las empresas de servicios públicos.
- Una de las razones detrás del rápido crecimiento de la infraestructura de medición avanzada (AMI) en los últimos años es reducir las pérdidas no técnicas (NTL) causadas por el robo de electricidad.
- Debido a la complejidad de los métodos de robo de energía, es difícil lograr la efectividad solo con la detección manual. Los modelos de detección de robo de energía (ETD) basados en aprendizaje automático también se implementan en redes inteligentes y se pueden usar para ayudar a detectar e identificar automáticamente a los ladrones de electricidad.
- La investigación del aprendizaje automático en ETD puede basarse en el aprendizaje automático clásico (aprendizaje no profundo) y el aprendizaje profundo. El aprendizaje profundo puede extraer características automáticamente y optimizar sus pesos mediante la construcción de modelos: el peso es el parámetro que varía para ajustar el resultado del cálculo esperado y el proceso de entrenamiento es esencialmente una actualización de los pesos.
- Los modelos ETD actuales en el aprendizaje profundo se pueden basar en diferentes ramas, como el perceptrón multicapa (MLP), la red neuronal convolucional (CNN) y la memoria a largo plazo (LSTM).
- El objetivo de este proyecto es construir un modelo ETD novedoso basado en la memoria convolucional a largo y corto plazo (ConvLSTM) y verificar su precisión y robustez para identificar a los ladrones de electricidad y demostrar que supera a los modelos MLP y CNNLSTM.