دانلود ترجمه مقاله رویکردی مبتنی بر یادگیری فعال برای تشخیص سرقت انرژی در شبکه های هوشمند

1. مقدمه 2. مروری بر مقالات (پیشینه پژوهش) 3. روش تحقیق پیشنهادی 4. نتایج تجربی و بحث و بررسی 5. نتیجه‌گیری و مسیرهای آینده (پژوهش‌های آتی)

چکیده – سرقت برق خسارات شدیدی به تأمین‌کنندگان انرژی و شبکه برق وارد می‌کند و همچنین منجر به زیان‌های اقتصادی و غیرفنی می‌شود. سرقت انرژی موجب کاهش کیفیت توان و سودآوری کلی می‌گردد. شبکه‌های هوشمند می‌توانند با ادغام جریان داده و انرژی، به مشکل سرقت توان رسیدگی کنند. تحلیل داده‌های شبکه هوشمند به شناسایی سرقت توان کمک می‌کند. با این حال، روش‌های پیشین در شناسایی سرقت انرژی عملکرد مطلوبی نداشته‌اند. در این پژوهش، یک مدل یادگیری ماشین مبتنی بر یادگیری فعال برای شناسایی و طبقه‌بندی سرقت انرژی در شبکه هوشمند ارائه شده است. رویکرد پیشنهادی مبتنی بر مراحل زیر است: ابتدا، از مجموعه داده‌ای متعلق به «ابتکار داده‌های باز انرژی» (OEDI) استفاده شده است، که یک پایگاه داده تحقیقاتی در حوزه انرژی است و اطلاعات خود را از دفاتر و آزمایشگاه‌های متعدد OEDI دریافت می‌کند. سپس، داده‌ها پیش‌پردازش شده و از روش‌های یادگیری ماشین مانند طبقه‌بندهای جنگل تصادفی مبتنی بر یادگیری فعال (RFAL)، تقویت گرادیان بیشینه مبتنی بر یادگیری فعال (XGboostAL)، درخت تصمیم مبتنی بر یادگیری فعال (DTAL)، تقویت گرادیان مبتنی بر یادگیری فعال (GBAL)، کا-نزدیکترین همسایه مبتنی بر یادگیری فعال (KNNAL)، تقویت رسته‌ای مبتنی بر یادگیری فعال (CatboostAL) و ماشین تقویت گرادیان سبک مبتنی بر یادگیری فعال (LGBMAL) استفاده می‌شود. با استفاده از مجموعه داده تشخیص سرقت انرژی مبتنی بر شبکه هوشمند، مدل RFAL پیشنهادی عملکرد بهتری نسبت به مدل‌های رقیب داشته و به دقت 70.61% دست می‌یابد. ترکیب یادگیری فعال با یادگیری ماشین، تصمیم‌گیری‌ها را در چارچوب وظایف شبکه هوشمند بهینه‌سازی کرده و تعامل بین انسان و ماشین را ارتقا می‌بخشد. به‌کارگیری این فناوری در این حوزه، پتانسیل افزایش دقت تشخیص سرقت انرژی و بهبود مشکلات و پیامدهای مرتبط با برق را داراست.

Energy providers and the power grid are severely harmed by electricity theft, which also causes economic and non-technical losses. Energy theft causes a decline in power quality and overall profitability. Smart grids may address the problem of power theft by merging data and energy flow. The analysis of smart grid data helps to find power theft. The prior methods, however, could have done a better job of identifying energy theft. In this research, we presented an active learning-based machine learning model for energy theft identification and classification of a smart grid. The suggested approach is based on the following steps. We use a dataset from the Open Energy Data Initiative (OEDI), an energy research database that gets information from numerous OEDI offices and labs. Next, we pre-process the data and employ machine learning methods like Active Learning (AL) based Random Forests (RFAL), eXtreme Gradient Boosting (XGboostAL), Decision Tree (DTAL), Gradient Boosting (GBAL), K-Nearest Neighbors (KNNAL), Categorical Boosting (CatboostAL) and Light Gradient Boosting Machine (LGBMAL) classifier. Using the smart grid-based energy theft detection dataset, the proposed RFAL model outperforms competing models and obtains an accuracy of 70.61%. The principles of smart grid tasks streamline decisions and enhance interaction between humans and machines by combining AL with machine learning. The application of this technology in this area has the potential to enhance the accuracy of energy theft detection and electricity-related problems and consequences.