Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Implementation of power theft detection algorithms based on neural networks and fuzzy logic techniques

Titakis Georgios

Simple record


URIhttp://purl.tuc.gr/dl/dias/E31AA7B7-5167-437F-A74B-6E58A1546C00-
Identifierhttps://doi.org/10.26233/heallink.tuc.83842-
Languageen-
Extent96 pagesel
TitleImplementation of power theft detection algorithms based on neural networks and fuzzy logic techniquesen
TitleΥλοποίηση αλγορίθμων εντοπισμού ρευματοκλοπής με χρήση νευρωνικών δικτύων και ασαφούς λογικήςel
CreatorTitakis Georgiosen
CreatorΤιτακης Γεωργιοςel
Contributor [Thesis Supervisor]Stavrakakis Georgiosen
Contributor [Thesis Supervisor]Σταυρακακης Γεωργιοςel
Contributor [Committee Member]Zervakis Michailen
Contributor [Committee Member]Ζερβακης Μιχαηλel
Contributor [Committee Member]Sergaki Eleftheriaen
Contributor [Committee Member]Σεργακη Ελευθεριαel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryThe main issue for which we have written this thesis is non-technical losses detection in a smart electrical system. With the implementation of data mining techniques for analyzing the electricity consumption patterns of consumers, we identify the illegal consumers based on irregularities in their consumption data. Distribution of electricity involves significant Technical Losses (TL) as well as Non-Technical Losses (NTL). Illegal consumption of electricity or electricity theft constitutes a major part of NTL. This thesis presents four different algorithmic approaches which are used to detect abnormalities in the received energy consumption readings. First of all, we gathered the energy consumption data, taken from a real smart grid network in Ireland [50] and prepared them for each method. Applying features, normalization techniques and principal component analysis for the dimensional reduction of smart meter readings, we managed to adjust the energy consumption data to a better form to work with. Then we tested the five algorithmic methods in order to classify the consumers to legal or illegal. The tools that used in this thesis in order to create neural networks for the classification of illegal and legal consumers, were Fast Artificial Neural Network Library (FANN) and Deep Learning Toolbox (or Neural Network Toolbox). For comparison, we implemented three more methods, which were not based on neural networks. The first used the LibOPF library for the design of optimum-path forest classifier, the second Support Vector Machines (SVM) and the third Neuro-Fuzzy Inference Systems. Finally, we discussed the results of the above electricity theft detection techniques we experimented with. We observed that almost all the algorithmic methods which were used, gave us very satisfactory results for the detection of irregularities in energy consumption data.en
Content SummaryΟ κύριος λόγος της συγγραφής αυτής της εργασίας είναι η ανίχνευση των μη τεχνικών απωλειών σε ένα έξυπνο ηλεκτρικό δίκτυο. Με τη χρήση αλγορίθμων-τεχνικών για την ανάλυση των μοτίβων κατανάλωσης, αναγνωρίζουμε τους παράνομους καταναλωτές με βάση τις ανωμαλίες που εντοπίζονται στα δεδομένα κατανάλωσης τους. H διανομή και μεταφορά του ηλεκτρικού ρεύματος περιλαμβάνει σημαντικές τεχνικές όπως επίσης και μη τεχνικές απώλειες. Η παράνομη κατανάλωση του ηλεκτρικού ρεύματος αποτελεί σημαντικό μερίδιο των μη τεχνικών απωλειών. Με την έλευση προηγμένων τεχνολογιών μέτρησης, δεδομένα κατανάλωσης ενέργειας είναι διαθέσιμα στις υπηρεσίες σε πραγματικό χρόνο ,πράγμα που μπορεί να χρησιμοποιηθεί για την αναγνώριση των παράνομων πελατών. Η διπλωματική αυτή παρουσιάζει 5 διαφορετικές αλγοριθμικές προσεγγίσεις που χρησιμοποιούνται για την αναγνώριση ανωμαλιών στη κατανάλωση ενέργειας. Πρώτα, συγκεντρώσαμε τα δεδομένα κατανάλωσης ηλεκτρικής ενέργειας, τα οποία μας παραχωρήθηκαν από ένα πραγματικό ηλεκτρικό δίκτυο στην Ιρλανδία. Τα δεδομένα αυτά περιείχαν 6 περιπτώσεις με διαφορετικά ποσοστά και είδη κλοπής ανά περίπτωση. Συγκεκριμένα, είχαμε Δεδομένα με μερική κλοπή 30-50% Δεδομένα με μερική κλοπή 50-70% Δεδομένα με υπερφόρτωση 40-60% Δεδομένα με υπερφόρτωση 60-80% Δεδομένα με υπερφόρτωση 80-100% Δεδομένα με υπερφόρτωση 60-80% και μερική κλοπή 50-70% Ελέγξαμε κάθε περίπτωση κλοπής ηλεκτρικής ενέργειας από τις παραπάνω σε 30λεπτες (δηλαδή για κάθε καταναλωτή είχαμε μία μέτρηση ανά 30 λεπτά) μετρήσεις όπου είχαμε στη κατοχή μας. Μετατρέψαμε τις 30λεπτες μετρήσεις σε 8ωρες (δηλαδή για κάθε καταναλωτή είχαμε μία μέτρηση ανά 8 ώρες) και δουλέψαμε κυρίως με αυτές καθώς τα αποτελέσματα σε σύγκριση με τις 30λεπτες μετρήσεις ήταν σε γενικές γραμμές ίδια. Έπειτα, με τη εξαγωγή features από τα δεδομένα , τεχνικών κανονικοποίησης και τη μέθοδο PCA (principal component analysis) επεξεργαστήκαμε τα δεδομένα έτσι ώστε να είναι πιο αποδοτικά για τις 5 διαφορετικές αλγοριθμικές μεθόδους που ακολούθησαν με στόχο να κατηγοριοποιήσουν τους καταναλωτές σε νόμιμους ή παράνομους. Τα εργαλεία που χρησιμοποιήθηκαν σε αυτή τη διατριβή για τη δημιουργία νευρωνικών δικτύων για το classification των παράνομων και νόμιμων καταναλωτών ήταν η βιβλιοθήκη Fast Artificial Neural Network (FANN) και το Deep Learning Tool (ή Toolbox για νευρωνικά δίκτυα) της Matlab. Για λόγους σύγκρισης εφαρμόσαμε άλλες τρεις μεθόδους, οι οποίες δεν βασίζονταν σε νευρωνικά δίκτυα. Η πρώτη χρησιμοποίησε τη βιβλιοθήκη LibOPF για το σχεδιασμό optimum path forest classifiers, η δεύτερη Support Vector Machines (SVM) και η τρίτη Neuro-Fuzzy Inference System. Τέλος, συζητήσαμε τα αποτελέσματα των παραπάνω τεχνικών ανίχνευσης ρευματοκλοπής που υλοποιήθηκαν. Παρατηρήσαμε ότι σχεδόν όλες οι αλγοριθμικές μέθοδοι που χρησιμοποιήθηκαν μας έδωσαν πολύ ικανοποιητικά αποτελέσματα για την ανίχνευση ανωμαλιών στα δεδομένα κατανάλωσης ενέργειας.el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2019-11-15-
Date of Publication2019-
SubjectΤομέας ενέργειαςel
Bibliographic CitationΓεώργιος Τιτάκης, "Υλοποίηση αλγορίθμων εντοπισμού ρευματοκλοπής με χρήση νευρωνικών δικτύων και ασαφούς λογικής", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019el
Bibliographic CitationGeorgios Titakis, "Implementation of power theft detection algorithms based on neural networks and fuzzy logic techniques", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2019en

Available Files

Services

Statistics