Aprendizaje profundo para contrarrestar el robo de energía

¡Gracias por unirte!

Accede a tu Pro+ Contenido a continuación.

abril 2022

Royal Holloway: aprendizaje profundo para contrarrestar el robo de energía

El robo de energía es un problema crítico para los operadores de sistemas de energía y cada año se pierden miles de millones de libras. En una red eléctrica convencional, el robo de energía es difícil de detectar debido a la comunicación limitada y la transición de datos. Los contadores inteligentes, junto con la tecnología de minería de datos, conducen a una importante innovación tecnológica en el campo de la detección del robo de energía. Este artículo de nuestra serie de seguridad Royal Holloway describe un modelo convolucional de detección de robo de energía basado en memoria a largo plazo para identificar a los ladrones de electricidad.

Tabla de contenido

  • El robo de energía se considera un delito en muchos países y, por lo general, se refiere a la evasión intencional del pago de facturas legítimas por parte de los usuarios de energía.
  • El robo de energía no solo interrumpe un mercado justo para el consumo de electricidad, sino que también causa pérdidas financieras significativas a las empresas de servicios públicos.
  • Una de las razones 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 están implementando en redes inteligentes y se pueden usar para ayudar en la detección e identificación automáticas de ladrones de electricidad.
  • La investigación en el campo 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 computacional 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 corto plazo (LSTM).
  • El objetivo de este proyecto es construir un nuevo modelo ETD basado en la memoria convolucional a largo 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.

Nuestro objetivo fué el mismo desde 2004, unir personas y ayudarlas en sus acciones online, siempre gratis, eficiente y sobre todo fácil!

¿Donde estamos?

Mendoza, Argentina

Nuestras Redes Sociales