8、不同机器学习技术在非技术性能源损耗检测中的应用及工业物联网概述

不同机器学习技术在非技术性能源损耗检测中的应用及工业物联网概述

电力系统非技术损耗与机器学习检测技术

在电力系统中，印度的输配电损耗比例一直相当高。电力分配系统中的损耗可分为技术损耗和非技术损耗。技术损耗主要由电力系统的电气组件引起，如测量设备、电力变压器和输电线路等，在已知负载量和系统参数的情况下，技术损耗是可以计算和管理的。然而，非技术损耗大多是由于电力盗窃、计费错误、电表故障等原因造成的，这些损耗更难测量，且缺乏相关记录信息。

目前，服务提供商通常会对一些疑似电力盗窃增加的地区进行突击检查，但这些措施不足以抓获违规者或减少能源损失，而且人工检查既繁琐又成本高昂。因此，为了更有效地解决电力盗窃问题，公用事业公司需要利用市场上的一些最新技术。通过智能电表可以轻松收集客户的用电数据，进而使用先进的数据挖掘技术来研究大量数据以发现电力盗窃行为，这也促使了对各种机器学习技术用于能源盗窃检测的研究。

多种机器学习技术

在构建盗窃检测模型之前，需要了解以下几种机器学习技术：
1. 决策树耦合支持向量机（SVM） ：SVM常用于分类问题，包括二元分类和多类分类。在该模型中，决策树（DT）和SVM相结合用于检测非技术损耗。首先，将诸如人数、温度、用电量、一天中的时间等所有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（DT的输出）作为输入提供给SVM，最终SVM帮助检测电力系统中的能源盗窃。
2. 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