Detection and localization of energy theft in distribution networks using artificial intelligence neural networks

Abstract

Bu çalışma, dağıtım ağlarında yaygın olan teknik olmayan kayıpları, özellikle enerji kaçakçılığını ve hırsızlığı araştırıyor. Yapay zeka nöron ağı ve ileri yayılım yöntemi kullanarak hırsızlık olaylarının doğru tespiti ve lokalizasyonu için yeni bir yaklaşım önermektedir. Akıllı enerji sayaçlarından ve merkezi bir sunucuya bağlı bilgi işlem biriminden oluşan simüle edilmiş bir akıllı ağ kullanılır. Yük verileri, gerilim düşümü ölçümleri ve enerji akışı verilerinin analizi yoluyla teknik kayıplar belirlenir ve optimum gerilim düşümü değerleri hesaplanır. MATLAB'de uygulanan önerilen nöron ağı algoritması, hırsızlık konumlarını belirlemek için ideal ve gerçek voltaj düşüşlerini karşılaştırır. Endüstri standardı denklem tabanlı algoritmalarla karşılaştırmalı analiz, nöron ağı yaklaşımının üstün algılama doğruluğunu gösterir. Önceden belirlenmiş voltaj düşüş değerlerine dayalı sabit algoritmaların aksine, nöron ağı değişen yük koşullarına uyum sağlayarak sağlam ve güvenilir bir hırsızlık tespit mekanizması sunar. Beklenen verileri kullanarak nöron ağının sürekli eğitimi, optimum performansı sürdürmek için gereklidir. İlgili ağ verilerini ve müşteri yük profillerini içeren düzenli güncellemeler, hırsızlık tespit doğruluğunu ve verimliliğini artırabilir. Bu çalışmanın bulguları, dağıtım şebekelerinde enerji hırsızlığı ve dolandırıcılıkla mücadelede devam eden çabalara katkıda bulunmaktadır. Önerilen nöron ağı tabanlı metodoloji, enerji sağlayıcılarını teknik olmayan kayıpları etkili bir şekilde azaltma konusunda güçlendirerek, hassas hırsızlık lokalizasyonu için umut verici bir çözüm sunar. Gelecekteki araştırmalar, nöron ağının eğitim sürecini daha da iyileştirmek için yenilikçi teknikleri keşfederek, gelişmiş genel performans ve daha yüksek tespit oranları hedefliyor.

This study investigates the pervasive issue of non-technical losses, specifically energy fraud, and theft, in distribution networks. It proposes a new approach for the accurate detection and localization of theft incidents using an artificial intelligence neuron network and the forward propagation method. A simulated smart network is utilized, comprising smart energy meters and a central server-connected information processing unit. Technical losses are determined and optimal voltage drop values are calculated through analysis of load data, voltage drop measurements, and energy flow data. The proposed neuron network algorithm in MATLAB compares ideal and actual voltage dips to identify theft locations. Comparative analysis with industry-standard equation-based algorithms demonstrates the superior detection accuracy of the neuron network approach. Unlike fixed algorithms based on predetermined voltage drop values, the neuron network exhibits adaptability to changing load conditions, offering a robust and reliable theft detection mechanism. Continuous training of the neuron network using anticipated data is essential for sustaining optimal performance. Regular updates incorporating relevant network data and customer load profiles can enhance theft detection accuracy and efficiency. The findings of this study contribute to the ongoing efforts in combating energy theft and fraud in distribution networks. The proposed neuron network-based methodology provides a promising solution for precise theft localization, empowering energy providers to effectively mitigate non-technical losses. Future research can explore innovative techniques to further improve the neuron network's training process, aiming for enhanced overall performance and higher detection rates.