[论文解读] Neighborhood Features Help Detecting Electricity Theft 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 16被引用 3

一句话总结

本文提出了一种基于邻域的特征工程方法，通过分析电网级别的检查比例和非技术损失（NTL）率，以检测大规模电力配电网中的窃电行为。基于70万客户的3100万条电表读数，该方法将空间、时间及主数据特征整合进四个可扩展的机器学习模型，实现了在NTL比例从1%到90%范围内的检测准确率提升。

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.

研究动机与目标

• 为解决电力配电网中非技术损失（NTL）这一普遍问题，某些地区该比例可高达40%。
• 通过结合传统的时间序列和客户数据特征，引入空间邻域模式，提升在大规模数据集中的窃电检测能力。
• 开发一种适用于全球多样化地区大数据环境的可扩展、可并行化的机器学习流水线。
• 评估基于邻域的特征在不同NTL流行程度下对检测性能的增强效果。

提出的方法

• 将地理区域划分为不同大小的网格，以在邻域层面聚合客户数据。
• 为每个网格单元计算两个关键邻域特征：检查客户的比例，以及在已检查客户中非技术损失（NTL）的比例。
• 从客户电表读数生成时间序列特征，并整合客户类别和电压等级等主数据。
• 对特征集应用四种可并行化的机器学习算法——逻辑回归、k近邻、线性支持向量机和随机森林。
• 在包含3100万条电表读数、70万客户和40万条检查结果的大数据集上训练模型。
• 利用邻域特征的分布来验证其在NTL检测中的预测有效性。

实验结果

研究问题

• RQ1 邻域层面的特征（如检查比例和NTL比例）如何提升大规模数据集中的窃电检测性能？
• RQ2 与仅使用时间序列和主数据特征相比，空间特征在多大程度上提升了检测性能？
• RQ3 该方法在NTL流行程度从1%到90%的不同水平下表现如何？
• RQ4 空间、时间及客户特定特征的整合是否能在多样化区域背景下实现更稳健的检测？

主要发现

• 与仅使用时间序列或主数据特征的模型相比，引入邻域特征显著提升了检测性能。
• 所提出的方法在NTL比例从1%到90%的广泛范围内均取得了可观的结果，表明其在不同损失水平下具有鲁棒性。
• 四种机器学习模型——逻辑回归、k近邻、线性SVM和随机森林——在大数据集上成功实现了可扩展且可并行化的应用。
• 邻域特征的分布被发现具有信息量且有助于预测NTL，支持其在检测流水线中的集成。
• 由于其对不同NTL水平的适应性以及可扩展的架构，该方法可在多样化地区部署。
• 基于网格聚合的空间特征提供了有意义的上下文信息，使模型性能超越了单一客户行为的分析。