Back to search

National and Kapodistrian University of Athens

Εφαρμογή Αλγορίθμων Μηχανικής Μάθησης για την Ανίχνευση Ρευματοκλοπής σε Ευφυή Ηλεκτρικά Δίκτυα

Abstract

dc:description

Η ρευματοκλοπή αποτελεί ένα παγκόσμιο πρόβλημα που επηρεάζει αρνητικά τόσο τις εταιρείες παραγωγής και διανομής ηλεκτρικού ρεύματος όσο και τους απλούς καταναλωτές. Αναλυτικότερα, αποσταθεροποιεί την οικονομική ανάπτυξη των εταιρειών ηλεκτρισμούς, προκαλεί κινδύνους και επηρεάζει αρνητικά το κόστος ενέργειας. Η ανάπτυξη των ευφυών ηλεκτρικών δικτύων (ΕΗΔ) διαδραματίζει σημαντικό ρόλο στον εντοπισμό της ρευματοκλοπής. Τα ευφυή ηλεκτρικά δίκτυα εκφράζονται από μια αμφίδρομη ροή πληροφοριών, παράγοντας τεράστια δεδομένα σχετικά με την κατανάλωση των πελατών, τα οποία μέσω τεχνικών μηχανικής μάθησης και βαθιάς μάθησης, μπορούν να χρησιμοποιηθούν για τον εντοπισμό περιπτώσεων ρευματοκλοπής. Στο πλαίσιο αυτής της διπλωματικής εργασίας αναπτύχθηκαν αυτοματοποιημένα συστήματα βασισμένα στην μηχανική και βαθιά μάθηση, με σκοπό την ανίχνευση περιπτώσεων ρευματοκλοπής στα ΕΗΔ. Για την αντιμετώπιση αδυναμιών στο σύνολο δεδομένων, όπως τα προβλήματα απουσίας μετρήσεων και ανισορροπίας κλάσεων, εφαρμόστηκαν οι τεχνικές της γραμμικής παρεμβολής και της υπερδειγματοληψίας συνθετικής μειονότητας (SMOTE) για την παραγωγή συνθετικών δεδομένων, αντίστοιχα. Το προτεινόμενο σύνολο δεδομένων αξιολογήθηκε χρησιμοποιώντας τέσσερις διαφορετικές τεχνικές μηχανικής μάθησης: λογιστική παλινδρόμηση (LR), δέντρα αποφάσεων (DT), τυχαία δάση (RF) και συνελικτικά νευρωνικά δίκτυα (CNN), για τον προσδιορισμό των βέλτιστων ρυθμίσεων που επιτυγχάνουν την μεγαλύτερη ακρίβεια. Σε όλους τους αλγορίθμους, εξετάστηκε η μέγιστη απόδοση τους, με σκοπό να βελτίωση των αποτελεσμάτων από εργασίες άλλων ερευνητών και διαπιστώθηκε ότι η χρήση της μεθόδου SMOTE σε συνδυασμό με το προτεινόμενο Συνελικτικό Νευρωνικό Δίκτυο, αποφέρει τα μέγιστα αποτελέσματα ακρίβειας. Συνολικά, παρουσιάστηκε η ανταγωνιστικότητα της μεθόδου σε σύγκριση με άλλες μεθόδους που αξιολογήθηκαν στο ίδιο σύνολο δεδομένων. Τέλος, κατά την επικύρωση του μοντέλου CNN, υπολογίστηκε 98.3% AUC και 99.4% ακρίβεια, ξεπερνώντας σημαντικά τα υπόλοιπα μοντέλα μηχανικής μάθησης.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Καλαφατέλης Αλέξανδρος
  • Kalafatelis Alexandros

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek

Identifiers

dc:identifier.*
Identifier
uoadl:3284799

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Καλαφατέλης Αλέξανδρος; Kalafatelis Alexandros. Εφαρμογή Αλγορίθμων Μηχανικής Μάθησης για την Ανίχνευση Ρευματοκλοπής σε Ευφυή Ηλεκτρικά Δίκτυα. 2023. https://pergamos.lib.uoa.gr/uoa/dl/object/3284799