[論文レビュー] Neighborhood Features Help Detecting Non-Technical Losses in Big Data Sets

Patrick Glauner, Jorge Augusto Meira+5 more|arXiv (Cornell University)|Jul 4, 2016

Electricity Theft Detection Techniques参考文献 25被引用数 10

ひとこと要約

本論文は、電力配電網における非技術的損失（NTL）を検出するための新規な特徴工学的手法を提案する。この手法は、グリッドベースの顧客クラスタリングから得られる空間的近隣特徴を活用し、時系列データおよびマスターデータ特徴と組み合わせることで、3100万件のメーター読み取りデータを用いた4つのスケーラブルな機械学習モデルを用いて、NTL割合が1%～90%にわたる多様な状況下でNTL検出の正確性を顕著に向上させる。ランダムフォレストが最高のAUC（0.628）を達成した。

ABSTRACT

Electricity theft is a major problem around the world in both developed and developing countries and may range up to 40% of the total electricity distributed. More generally, electricity theft belongs to non-technical losses (NTL), which are losses that occur during the distribution of electricity in power grids. In this paper, we build features from the neighborhood of customers. We first split the area in which the customers are located into grids of different sizes. For each grid cell we then compute the proportion of inspected customers and the proportion of NTL found among the inspected customers. We then analyze the distributions of features generated and show why they are useful to predict NTL. In addition, we compute features from the consumption time series of customers. We also use master data features of customers, such as their customer class and voltage of their connection. We compute these features for a Big Data base of 31M meter readings, 700K customers and 400K inspection results. We then use these features to train four machine learning algorithms that are particularly suitable for Big Data sets because of their parallelizable structure: logistic regression, k-nearest neighbors, linear support vector machine and random forest. Using the neighborhood features instead of only analyzing the time series has resulted in appreciable results for Big Data sets for varying NTL proportions of 1%-90%. This work can therefore be deployed to a wide range of different regions around the world.

研究の動機と目的

• 大規模な電力配電網における非技術的損失（NTL）の検出という課題に取り組む。NTLには電力盗難やメーター誤差が含まれる。
• 従来の手法が時系列消費データに依存するのを克服し、空間的および文脈的顧客特徴を組み込む。
• スケーラブルで並列処理可能な機械学習モデルを用いて、NTL割合が変動する不均衡なデータセットにおける検出正確性を向上。
• グリッドサイズやデータ分布の違いが、近隣特徴の統計的分布および予測性能に与える影響を評価。
• 多様な地理的・インfra構造的文脈に適用可能な、実用的なNTL検出フレームワークを提供。

提案手法

• 地域をさまざまなサイズのグリッドに分割し、局所的な顧客密度とNTLパターンを捉える。
• 各グリッドセルに対して2つの主要な近隣特徴を計算する：(1) 検査済み顧客の割合、(2) 検査済み顧客のうちNTLが確認された割合。
• 最近の検査の直前12か月間の日平均消費データから時系列特徴を抽出。
• 顧客クラスや接続電圧レベルなどのカテゴリカルなマスターデータ特徴を統合。
• ロジスティック回帰、k近傍法、線形SVM、ランダムフォレストの4つのスケーラブルで並列処理可能な機械学習モデルを訓練。
• NTL割合が1%～90%にわたるさまざまな状況下でのモデル性能を評価する主な指標としてAUCを用いる。

実験結果

リサーチクエスチョン

• RQ1 時系列データのみに依存する手法と比較して、近隣特徴に基づく空間的特徴は、非技術的損失の検出にどのように寄与するか？
• RQ2 異なるグリッドサイズが、近隣特徴の統計的分布および予測性能に与える影響は何か？
• RQ3 実世界の大規模データにおいて、提案された特徴はNTL割合が1%～90%にわたる広範な範囲でどのように性能を発揮するか？
• RQ4 近隣特徴、時系列特徴、マスターデータ特徴を統合した際、どの機械学習モデルが最も優れた性能を示すか？
• RQ5 近隣特徴は、NTL検出におけるクラスの不均衡および偏った検査ラベルの影響をどの程度軽減するか？

主な発見

• 近隣特徴の導入により、全4つのモデルで検出性能が顕著に向上し、時系列データのみを用いた従来手法を上回った。
• ランダムフォレスト分類器は、NTL割合が3%の際に最高のAUC（0.628）を記録し、14のテストされた割合のうち7つで他のモデルを上回った。
• 全モデルが、NTL割合が変動する状況下でも安定した性能を示し、平均AUCは0.588～0.606の範囲に収まった。これは、データの不均衡に対する頑健性を示している。
• ランダムフォレストは平均AUC（0.5973）が最も高く、さまざまなNTL割合において一貫性のある性能を示したが、標準偏差（0.0183）も最も高かった。
• k近傍法は唯一3%のNTL割合の際に最高の性能を発揮したが、ロジスティック回帰とSVMはそれぞれ1回、4回の割合で最高の性能を記録した。
• 近隣特徴は強く統計的性質を示し、意味のある分布を示しており、NTL検出の予測モデリングに用いる根拠が明確に裏付けられた。