[論文レビュー] Minimizing Electricity Theft using Smart Meters in AMI

Muhammad Anas, Nadeem Javaid+4 more|arXiv (Cornell University)|Aug 11, 2012

Electricity Theft Detection Techniques参考文献 2被引用数 10

ひとこと要約

本稿では、高度メーターインフラ（AMI）内でのスマートメーターの使用により、高度なデータ分析および機械学習技術を活用して電力盗難を検出・低減することを提案する。SVM、ANN-MLP、OPF分類器といった数学的モデルを評価し、盗難パターンの検出においてOPFが他の手法よりも高い精度を示すことを実証する。

ABSTRACT

Global energy crises are increasing every moment. Every one has the attention towards more and more energy production and also trying to save it. Electricity can be produced through many ways which is then synchronized on a main grid for usage. The main issue for which we have written this survey paper is losses in electrical system. Weather these losses are technical or non-technical. Technical losses can be calculated easily, as we discussed in section of mathematical modeling that how to calculate technical losses. Where as nontechnical losses can be evaluated if technical losses are known. Theft in electricity produce non-technical losses. To reduce or control theft one can save his economic resources. Smart meter can be the best option to minimize electricity theft, because of its high security, best efficiency, and excellent resistance towards many of theft ideas in electromechanical meters. So in this paper we have mostly concentrated on theft issues.

研究の動機と目的

• 電力配電システムにおける電力盗難に起因する非技術的損失（NTL）の増加という問題に対処すること。
• リアルタイム監視とデータ分析を活用したスマートメーターの有効性を評価し、電力盗難の低減を図ること。
• SVM-LINEAR、SVM-RBF、ANN-MLP、OPFといった機械学習分類器の性能を比較し、電力盗難の検出における有効性を評価すること。
• ラグランジュ最適化を用いた技術的および非技術的損失の数学的フレームワークを構築すること。
• 盗難を示す異常な負荷パターンを特定するデータ駆動型アプローチを提案すること

提案手法

• エンドユーザーからの高時間分解能のリアルタイムデータ収集を可能とするAMIにおけるスマートメーターの利用。
• 線形および径方向基底関数カーネルを用いたサポートベクターマシン（SVM）を用いて、正常な負荷パターンと疑わしい負荷パターンを分類する。
• 消費行動の非線形モデリングに多層パーセプトロン（ANN-MLP）を用いた人工ニューラルネットワークの適用。
• ハイパーパramータのチューニングが不要で、高速な学習と高い精度を示す最適パスフォレスト（OPF）分類器の使用。
• 電力潮流と技術的損失のモデリングにラグランジュ乗数を適用し、損失項を発電コスト最適化に統合する。
• 小規模な電力盗難事例分析のための行列ベースのモデリングをExcelで実施するが、スケーラビリティには限界がある

実験結果

リサーチクエスチョン

• RQ1 AMIシステム内におけるスマートメーターは、電力盗難の検出および低減にどの程度効果的か？
• RQ2 SVM-LINEAR、SVM-RBF、ANN-MLP、OPFの中では、どの機械学習分類器が非技術的損失の特定において最も優れた性能を示すか？
• RQ3 ラグランジュ関数を用いた数学的モデリングは、配電網における技術的および非技術的損失を正確に推定できるか？
• RQ4 スマートメーターの負荷プロファイル分析から、電力盗難を示す主要な指標は何か？
• RQ5 実際のエネルギー損失率（例：2010–2011年7月に14.53%）は、電力盗難および非技術的損失とどのように相関しているか？

主な発見

• 調査対象都市における非技術的損失（NTL）は、2010–2011年7月に平均14.53%であったが、2011–2012年2月には4.60%に低下し、季節的または政策要因による変動が示唆された。
• OPF分類器は、SVM-LINEAR、SVM-RBF、ANN-MLPよりも高いヒットレートと高い精度を示し、電力盗難の検出に優れていた。
• OPFはパrameterチューニングが不要で、高速な学習フェーズを示し、他のテスト済み分類器よりも効率的であった。
• ラグランジュ関数を用いて電力潮流と技術的損失をモデリングし、発電コスト最適化に総損失（PL）を含めた拡張形を適用した。
• スマートメーターは、異常な負荷パターンの検出を著しく向上させ、盗難の早期特定を可能にした。
• 本研究では、電力盗難が非技術的損失の主要因であり、世界規模での年間損失額は250億ドルにのぼると確認された。