8、不同机器学习技术在检测非技术损失及工业物联网中的应用分析

不同机器学习技术在检测非技术损失及工业物联网中的应用分析

1. 电力系统非技术损失检测背景

在印度，电力传输和分配部门的损失比例一直相当高。配电系统中存在大量能量损耗，可分为技术损失和非技术损失。技术损失主要由电力系统的电气组件引起，如测量设备、电力变压器和传输线等的功率损耗。当已知负载量和系统参数时，技术损失是可以计算和控制的。

然而，非技术损失大多是由于电力盗窃、计费错误、电表故障等原因造成的。这些损失更难测量，且没有相关记录信息。安装智能电表在一定程度上有所帮助，但人们也找到了攻击电表操作系统等先进的窃电方法。目前，服务提供商通常会对疑似窃电区域进行突击检查，但这些措施不足以抓捕罪犯或减少损失，而且人工检查既繁琐又成本高昂。因此，公用事业公司需要借助市场上的一些最新技术，如利用智能电表收集客户用电数据，并使用先进的数据挖掘和机器学习技术来检测电力盗窃。

2. 用于检测电力盗窃的机器学习技术

在详细介绍盗窃检测模型之前，我们需要了解以下几种机器学习技术：
- 决策树耦合支持向量机（SVM） ：SVM 用于分类问题，包括二进制分类或多类分类。在该模型中，决策树（DT）和 SVM 相结合用于检测非技术损失。首先，将诸如人数、温度、用电量、一天中的时间等输入特征输入到回归 DT 中，预测客户的预期用电量。然后，将这些输入特征和新生成的预期用电量数据作为输入提供给 SVM，最终 SVM 帮助检测电力系统中的能量盗窃。
- 概率神经网络（PNN） ：除了输入和输出层，PNN 还有模式层和求和层。输出层为每个输入生成一个概率向量，在最后一层，选择概率最高的作为 1（表示