非洲公用事业公司使用人工智能进行窃电检测和预防

非洲大陆上第一个成功实现基础设施数字化的国家，从而产生适合AI/ML的数据，将在改善基础设施供应、更好的公共服务以及产生全新的经济活动和企业领域方面获得巨大收益。人工智能(AI)的一种应用，它为系统提供了自动学习和从经验中改进的能力，而无需显式编程。

学习的过程始于观察或数据，如例子、直接经验或指导，以便在数据中寻找模式，并根据我们提供的例子在未来做出更好的决策。

我们最近一直在研究一种算法，旨在为非洲公用事业公司检测和预防窃电。机器学习算法通过对客户历史能源消耗的训练来预测未来的能源使用情况。预测能源使用和当前能源使用之间的不规律将被标记为潜在的窃电，允许快速警报检测。所开发的模型使用了一种决策树机器学习算法来训练和预测客户的能源消耗。

机器学习模型在智能电表数据集上进行训练和测试欧洲公用事业公司之一。该数据包括住宅和商业楼宇。然而，在本研究中，考虑了住宅智能电表数据集。数据是从上面积累起来的5000年的房子．数据包含关于客户id，日期/时间代码，每30分钟的用电量(千瓦时)．这些数据记录了两年多。

每个客户的每日概况包括48个功耗读数．客户ID非常重要，因为公用事业可以使用它来获取不同客户的位置。数据集还提供了试验后的调查数据，提供了每所房子居民数量的信息

设计的模型使用了一种被称为M5P决策树的监督机器学习算法来检测窃电。决策树是由基于决策规则将数据集分割为多个分支段的算法生成的。这些决策规则是通过识别输入属性和输出之间的关系来确定的。决策树使预测建模具有更高的准确性、更好的稳定性和更易于解释。决策树非常适合这个任务，因为有一个分类算法。

然后为每个不同的客户数据创建训练和验证数据集。训练数据是在某一年的某个季节为某个客户获得的，然后选择同一季节和同一客户但不同年份的验证数据。一年有4个季节，但由于秋与夏、春与冬的相似性，可以分为夏和冬。然后假设夏季从5月持续到10月，冬季从11月持续到4月。例如，对于数据集中的客户1020，我们的算法提取了他们从2009年11月到4月每天的能源使用情况作为训练数据。然后提取验证数据作为2010年11月至4月的每日能耗。这个过程是针对一年中不同月份的所有客户进行的。训练数据集用于为训练数据集中的每个客户生成代表正常能耗的决策规则。决策树更容易过拟合，因此要仔细考虑以防止过拟合。过拟合是机器学习中的一种现象，当算法与训练数据过于接近时，它无法可靠地预测不在训练数据中的未来观察结果。

由于我们没有任何公用事业公司标记客户窃取能源的物理数据，所以我们求助于模拟典型的能源窃取值。能源盗窃案例建模，以说明现实世界的能源盗窃场景。

模拟了两种类型的能源盗窃，第一种是消费者的智能电表报告能源消耗低于实际消耗的能源。这通常是因为篡改智能电表以减慢其读数或绕过智能电表。

第二种能源盗窃在第三世界国家更为常见，未经授权窃听电线．这将导致比正常智能电表读数更高。通过在验证数据集中的每一次能耗数据测量中添加/减去一个偏离0到1千瓦时的随机值来模拟这两种类型的能量窃取。利用原始数据学习能耗模型，利用模拟的盗能数据对一个盗能案例的模型进行验证。

随着模型的建立和目前的测试，我们的目标是建立一个软件，将能够显示这些数据，并给出准确的报告对于具有更多特征的更大数据集，可以训练基于时间序列的模型(使用LSTM和GRU)对超参数进行微调，以识别高度复杂的时变电力使用模式并确定欺诈客户。

该系统通过对不同地区的用电规律分析，具有更大的特点，可供更高层次的管理部门使用。通过了解电力使用模式，可以预测未来的特定电力需求，这有助于减少传输损耗，并在特定地点安装电力存储基础设施。

本研究证明了决策树学习在能量窃取检测中的成功应用。进行的实验揭示了机器学习模型准确预测一年中的同月、随后的几周以及同一天气季节的能耗值的能力。

此外，在这些实验中使用历史数据来生成机器学习模型并预测未来的能源消耗。使用RMSE(均方根误差)表明，机器学习算法能够准确预测未来的值，从而检测窃电。在智能电网数据分析系统中，需要了解实时的用电量数据，从而准确预测未来的用电需求，并据此进行规划。电力盗窃的识别还将扩展其对负荷预测的支持，使公用事业公司能够准确预测特定于单个客户的未来电力需求。

我们不能说人工智能本质上承诺提高电力的生产、传输和输送效率，帮助降低电力成本，并最大限度地利用可再生能源。如果实施得当，人工智能最终可能成为全球所有公用事业公司最强大的资产。