1. はじめに
エネルギー損失は、発電、送電、消費のプロセス全体を通じて避けられません。これらの損失は、技術的損失 (TL) と非技術的損失 (NTL) に分類できます。 [1,2]。 TL は主に、送電線、変電所、配電システム、および通常の送電網の運用を維持するために必要な計測プロセスにおける固有の損失から発生します。逆に、NTL は主に異常な電力消費行動、特に配電レベルでの盗電に起因しており、制御可能な損失を構成します。 [3,4]。盗電による世界の経済損失は年間960億米ドルを超えると推定されている [5]。中国では NTL が総発電量の約 16% を占めていますが、インドでは 25% を超えています。 [6]。先進国であっても、これに伴う損失はかなり大きく、カナダでは約100億ドル、米国では約60億ドルに達します。 [7]。一般的な盗難手法には、ラインフック、メーターバイパス、メーター改ざんなどがあります。 [8]。したがって、公共料金の収益を保護し、配電システムの信頼性を確保するには、効果的かつ正確な盗難検出が不可欠です。従来の電力盗難検出は手動検査とヒューリスティック判断に依存していて、非効率的で正確な位置特定が不足しています。 Advanced Metering Infrastructure (AMI) の導入とスマート メーターの広範囲な設置により、電力会社は大量の消費データにアクセスできるようになり、データ駆動型の盗難検出の基盤が提供されます。 [9]。既存の手法は一般に、ネットワーク指向のアプローチとデータ指向のアプローチの 2 つのカテゴリに分類できます。 [10]。前者は配電ネットワークの物理的およびトポロジー的特性を利用し、後者は顧客負荷データの統計的および時間的パターンを分析します。ネットワーク指向の方法は通常、配電センサーからの電圧、電流、およびその他の電気測定をネットワーク トポロジーと組み合わせて利用し、異常なノードを特定します。ルアンら。盗難検出のための「ウェイトドロップポーリング」状態推定手法を提案 [11]。シルバら。電力品質モニターの配置を最適化するための P メディアン モデルを開発しました。 [12]。マニトら。負荷流解析を使用して TL と NTL を区別する等価動作インピーダンス (EOI) アプローチを導入しました。 [13]。フェレイラら。不正な接続を特定するためにノード電圧と有効/無効電力データを使用 [14]。ヴィーラマニら。配電変圧器と集約された顧客電流の間のIoTベースの電流比較を利用 [15]。これらのアプローチは、配電ネットワークの物理法則を正確に表し、実際の動作条件を直接反映し、顧客側のデータへの依存性が低いため、エンジニアリング アプリケーションで解釈可能かつ実際に実装可能になります。データ指向の手法は、異常な動作を特定するために毎日のエネルギー使用量や負荷変動などの一時的な消費パターンをマイニングすることに焦点を当てています。さらに、教師あり手法と教師なし手法に分類できます。 [10]。教師ありアプローチは、ラベル付きデータセットに依存して、通常の動作と盗難の動作を区別するモデルをトレーニングします。ウル・ハクら。盗難検出用のディープ畳み込みニューラル ネットワーク (Deep->) を開発 [16]。バイら。ガウス加重変換器と組み合わせたデュアルスケール デュアルブランチ > を提案しました。 [17]。 Fernandes は確率的最適パス フォレスト (OPF) 分類器を導入しました [18]。 Rajesh は、Dynamic Time Warping (DTW) と k-Nearest Neighbor (k-NN) を組み合わせたハイブリッド手法を提案しました。 [19]。プンミヤら。使用時間 (ToU) 料金設定での盗難検出のための eXtreme Gradient Boosting (XGBoost) の改良 [20]。シアら。 Convolutional Long Short-Term Memory (ConvLSTM) モデルを採用して、グローバルとローカルの両方の時間依存関係を捕捉 [21]。教師あり学習手法は一般に、十分なラベル付きデータが利用可能な場合に、より高い精度を実現し、強力なパターン認識機能を発揮します。一方、教師なしアプローチは、ラベル付きサンプルを必要とせずに固有のデータ構造を探索することによって異常を検出します。 Wu 氏は K-means クラスタリングを適用して消費パターンを分析しました [22]。ペンら。 K 平均法と局所外れ値係数 (LOF) を組み合わせた異常検出 [23]。ボンドックら。統合された K 平均法、オートエンコーダー、および 1 クラス SVM [24]。ティアンら。異常なエネルギー使用を検出するために DBSCAN を採用 [25];およびZhengら。異常なパターンを特徴付けるために、局所的な密度と距離のメトリクスを備えた密度クラスターを使用しました [26]。これらの教師なし手法は、ラベル付きデータセットへの依存を効果的に排除し、隠れたパターンを自律的に発見し、現実世界のアプリケーションで強力な一般化とスケーラビリティを提供します。
一般に監視付き手法はより高い検出精度を実現しますが、電力盗難データは電力会社内で機密性が高く、大規模なラベル付けは困難であり、プライバシーに配慮する必要があります。不審な利用者を発見した場合でも、現場での確認が必要となります。したがって、ラベルのないデータから異常を検出できる教師なしアプローチは、より大きな実用的価値を提供します。さらに、既存の研究のほとんどは、配信フィーダー内のユーザーの位置などの空間情報を考慮せずに、消費データのみに依存しています。この制限により、ネットワーク全体の電気的相関を表現するモデルの能力が弱まります。ネットワーク トポロジを分析に組み込むと、同じ量の電気測定データでも検出精度が向上します。
これらの課題に対処するために、この研究では 10 kV 配電フィーダにおける盗電検出を調査します。盗難シナリオの下でのノード電圧,分岐電流,および電力損失の外乱パターンを分析し,時空間特徴融合を備えた改良されたDBSCANベースの盗電検出方法を提案した。空間的には、ノード隣接行列に基づいて 5 つのトポロジー フィーチャが構築されます。時間的には、16 個の負荷時系列特徴が抽出されます。次に、融合された時空間特徴が主成分分析 (PCA) によって削減され、DBSCAN クラスタリングが適用されて、異常な負荷動作を示すノード (異常ノード) の教師なし識別が実現されます。
この論文の主な貢献は次のとおりです。
-
異常な負荷動作が配電フィーダのノード電圧、分岐電流、電力損失に及ぼす影響を分析し、実際のシステムにおける盗難検出のための物理的洞察とエンジニアリング ガイダンスを提供します。
-
追加の監視機器を必要とせず、既存のスマートメーターから収集したデータのみを利用して低コストで導入できます。
-
フィーダ トポロジと時間的負荷ダイナミクスの電気的相関を共同で捕捉し、入力フィーチャの表現能力を強化する時空間フィーチャ フュージョン アプローチを提案します。
-
PCA ベースの次元削減と DBSCAN クラスタリングを統合した教師なし検出フレームワークを開発し、ラベル付きデータまたは履歴データへの依存を効果的に排除します。
この文書の残りの部分は次のように構成されています。 セクション 2 ベンチマーク配信システムを導入し、盗難行為が電気パラメータに及ぼす影響を分析します。 セクション 3 は、時空間融合機能を組み込んだ、提案された改良された DBSCAN ベースの検出方法について説明しています。 セクション 4 ケーススタディとパフォーマンス評価を提供します。 セクション5 提案された方法の実際の応用、重要性、限界、および将来の改善の可能性について説明します。ついに、 セクション6 と論文は結論づけている。
#時空間融合機能を使用した #DBSCAN #ベースの盗電検出の改善