دانلود ترجمه مقاله تشخیص سرقت انرژی و کنتورهای هوشمند معیوب در شبکه های هوشمند

1. مقدمه 2. پژوهش های مرتبط 3. معماری شبکه هوشمند در شبکه محلی 4. مدل رگرسیون خطی برای تشخیص سرقت انرژی و کنتورهای هوشمند معیوب 5. برآورد ضرایب آنومالی با استفاده از رگرسیون خطی 6. برآورد ضرایب آنومالی متغیر با استفاده از روش متغیر طبقه بندی شده 7. ارزیابی عملکرد 8. نتیجه گیری

چکیده – عرضه کنندگان برق تخمین می زنند که سالیانه به دلیل سرقت انرژی، میلیاردها دلار ضرر می کنند. اگرچه پیاده سازی شبکه های هوشمند یک سری مزایای فنی و اجتماعی در پی دارد، کنتورهای هوشمند به کار رفته در شبکه های هوشمند در مقایسه با کنتورهای مکانیکی به حملات و دزدی ها توسط سارقین انرژی حساس تر هستند. به منظور کاهش تلفات غیر فنی ناشی از سارقین برق و خوانایی اشتباه کنتورهای هوشمند، عرضه کنندگان برق بیشتر تمایل به داده های مصرف انرژی جمع آوری شده از زیرساخت اندازه گیری پیشرفته پیاده سازی شده در شبکه های هوشمند هستند تا کنتورهای هوشمند معیوب احتمالی و الگوهای مصرف غیر طبیعی مشتریان را تشخیص دهند. در این مقاله، ما دو الگوریتم مبتنی بر رگرسیون خطی را به منظور مطالعه رفتار مصرف انرژی مشتریان و ارزیابی ضرایب آنومالی آنها طراحی کرده ایم تا با سرقت انرژی ناشی از معیوبی کنتورها مقابله کرده و منتورهای هوشمند معیوب را شناسایی کنیم. متغیرهای طبقه بندی شده و ضرایب تشخیص نیز در این مدل برای شناسایی دوره ها و موقعیت های سرقت انرژی و نیز کنتورهای هوشمند معیوب معرفی شده اند. شبیه سازی ها انجام شده و نتایج نشان می دهند که الگوریتم های پیشنهادی می توانند به طور موفقیت آمیزی همه مشتریان متقلب را شناسایی کرده و کنتورهای هوشمند معیوب را در شبکه محله ای تشخیص دهند.

The utility providers are estimated to lose billions of dollars annually due to energy theft. Although the implementation of smart grids offers technical and social advantages, the smart meters deployed in smart grids are susceptible to more attacks and network intrusions by energy thieves as compared to conventional mechanical meters. To mitigate non-technical losses due to electricity thefts and inaccurate smart meters readings, utility providers are leveraging on the energy consumption data collected from the advanced metering infrastructure implemented in smart grids to identify possible defective smart meters and abnormal consumers’ consumption patterns. In this paper, we design two linear regression-based algorithms to study consumers’ energy utilization behavior and evaluate their anomaly coefficients so as to combat energy theft caused by meter tampering and detect defective smart meters. Categorical variables and detection coefficients are also introduced in the model to identify the periods and locations of energy frauds as well as faulty smart meters. Simulations are conducted and the results show that the proposed algorithms can successfully detect all the fraudulent consumers and discover faulty smart meters in a neighborhood area network.