轻量级 LSTM 模型通过减少输入数据进行能源盗窃检测-计算机科学-人工智能-能源效率-智能电网.pdfVIP

轻量级LSTM模型通过减少输入数据进行能

源盗窃检测

CaylumCollier

SchoolofComputerScienceandInformationTechnology

UniversityCollegeCork

Ireland

Email:caylumcollier77@

KrishnenduGuha

SchoolofComputerScienceandInformationTechnology

本UniversityCollegeCork

译Ireland

中Email:kguha@ucc.ie

1

v

2摘要—随着全球电力网络中智能电表的集成程度不断提高，法来根据这些数据识别能源盗窃。然而，智能电表生成

7检测能源盗窃已成为一个关键且持续的挑战。基于人工智能（AI）的数据量提出了重大挑战。例如，在爱尔兰，大约190

8的模型在识别欺诈性消费模式方面表现出色；然而，先前研究

2万个智能电表[2]每半小时报告一次数据，这意味着每

0.机器学习解决方案用于解决这一问题的工作需要高昂的计算和个智能电表每天报告48次，因此190万个智能电表每

7能量成本，限制了其实用性——特别是在低盗窃场景中，连续

0推理可能导致不必要的能耗。本文提出了一种轻量级检测单元天产生9120万条数据点或每周6.384亿条数据点。将

5或看门狗机制，旨在充当预过滤器以确定何时激活长短期记忆如此大量的数据输入到盗窃检测模型中需要巨大的计

2

:（LSTM）模型。该机制减少了输入到LSTM模型的数据量，将算资源[3]。

v

i其限定为更有可能涉及能源盗窃的实例，从而在显著降低连续模尽管已经开发了多种系统来检测能源盗窃，并且这

x

r型执行相关的能耗的同时保持了检测准确性。所提出的系统通过

a六种不同偷盗严重程度和活跃窃贼数量场景下的模拟进行了评些系统的检测准确率高达92.5%[4]，它们都存在一个关

键缺陷：通常会不加区分地处理所有数据，而不管欺诈

估。结果显示能耗降低了超过64%，同时几乎没有检测准确率上

的损失，并且召回率一直很高。这些发现支持了一种更节能且可行为的可能性。

扩展的智能电网能源盗窃检测方法的可行性。与以往增加模型复虽然这在小规模应用中可能是可以管理的，但在像

杂性以实现边际准确性提升的研究不同，本研究强调了诸如推理印度这样的拥有14亿人口的大国中，智能电表数据的

效率和系统可扩展性等实际部署考虑因素。结果显示，在现代智

数量将使得全面处理变得不切实际。处理这些数据的计

能电网基础设施中部署可持续的人工智能辅助监控系统的潜力。

算成本可能会超过被盗能源的价值本身，从而使传统的

IndexTerms—LSTM,能源效率,智能电网,能源盗窃;

检测解决方案变得不可行。

I.介绍

改进盗窃检测系统的资源效率将有助于在全球范

智能电网已成为全球现代能源