فاطمه سلیمانی نسب - دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران تهران، ایران
فواد قادری - دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران تهران، ایران

سرقت برق ضرر زیادی به صنعت برق در کشورهای مختلف می زند. یکی از روش های تشخیص سرقت برق، استفاده از یادگیری ماشین است. با این رویکرد، دقت تشخیص به افزایش پرهزینهی فرکانس نمونه برداری از کنتور وابسته است. در این مقاله، از مجموعه داده ای با فرکانس یک داده در روز استفاده و فرکانس نمونه برداری تا یک نمونه در دو ماه کاهش داده شده و برای تشخیص برق دزدی از مجموعه ویژگی هایی در حوزه های زمان، فرکانس و زمان- فرکانس استفاده گردیده است. دقت مدلی که با استفاده از شبکه های عصبی عمیق برای این مسئله ساخته شده و از ویژگیهای حوزه ی زمان و ترکیب آن با دو حوزه ی دیگر استفاده میکند با کاهش فرکانس نمونه برداری تا یک داده در هفته با شیب ملایم کاهشی ولی قابل قبول است. برای فرکانس های نمونه برداری کمتر از این، شیب کاهشی نمودار زیاد است. بیشترین دقت (بر حسب AUC) در این آزمایش ها با معماری شبکه یکسان، مربوط به حوزه ی زمان و کمترین دقت مربوط به داده ی فقط در حوزه ی فرکانس است. بدترین نتیجه به دست آمده در حوزه ی پیشنهادی مربوط به نمونه برداری با فاصله ۲ ماه با AUC حدود ۷۱٪ است. ما همچنین یک ساختار bagging(wide&deep) معرفی کردیم که عملکردی بهتر از شبکه موجود دارد بطوریکه برای فرکانس نمونه برداری ۱ داده در هر روز AUC حدود ۳.۵٪ بهبود یافته است. نتایج این تحقیق راهنمایی است برای انجام تحقیقات آتی و یافتن مدل و روش یادگیری مناسب برای تشخیص سرقت برق در کنتورهایی که با فواصل زمانی زیاد قرائت می شوند.

برق دزدی، تحلیل فرکانسی، تلفات غیرفنی، شبکه عصبی، فرکانس نمونه برداری، روش های ترکیبی