Improving Performance of the Convolutional Neural Networks for Electricity Theft Detection by using Cheetah Optimization Algorithm
محل انتشار: مجله مهندسی برق مجلسی، دوره: 16، شماره: 4
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 204
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_MJEE-16-4_008
تاریخ نمایه سازی: 25 بهمن 1401
چکیده مقاله:
Today, electricity theft is one of the main challenges for energy distribution and transmission companies around the world. Early detection of abnormal consumers can prevent security and financial losses. Extensive research studies have been done to detect electricity theft by analyzing customer consumption patterns. Today, one of the most widely used methods is convolutional neural networks (CNNs). These networks contain a large number of hyper-parameters. The accuracy of these networks is low in most studies due to the lack of attention to the adjustment of these hyper-parameters. Network accuracy and achieving a robust learning model are influenced by the optimal adjusting of these hyper-parameters, which requires exploring a complex and large search space. Meta-heuristic-based search methods are suitable for solving these problems. Therefore, the main contribution of this paper is to use the high ability of the cheetah optimization algorithm (CHOA) to optimally extract CNN hyper-parameters. In this paper, in order to balance the dataset, abnormal samples are created using artificial attacks and added to the dataset. Also, in order to increase the accuracy of the network, abnormal data are clustered using the CHOA algorithm. ISSDA dataset is used to test and evaluate the results. Based on the results obtained and comparing them with the other works, it was proved that the proposed framework with high accuracy identifies abnormal consumers.
کلیدواژه ها:
نویسندگان
hassan ghaedi
Department of Computer, Neyshabur Branch, Islamic Azad University, Neyshabur, Iran
Seyed Reza Kamel Tabbakh
Department of Computer, Mashhad Branch, Islamic Azad University, Mashhad, Iran
reza ghaemi
Department of Computer, Quchan Branch, Islamic Azad University, Quchan, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :