{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3284799"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3284799","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Εφαρμογή Αλγορίθμων Μηχανικής Μάθησης για την Ανίχνευση Ρευματοκλοπής σε Ευφυή Ηλεκτρικά Δίκτυα","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["Καλαφατέλης Αλέξανδρος","Kalafatelis Alexandros"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:21:37Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3284799"],"render_values":[{"text":"uoadl:3284799","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3284799","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3284799","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3284799","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καλαφατέλης Αλέξανδρος","Kalafatelis Alexandros"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3284799","https://pergamos.lib.uoa.gr/uoa/dl/object/3284799"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","Electricity theft is a global problem that negatively affects both electricity generation and distribution companies and ordinary consumers. More specifically, it destabilizes the economic development of utility companies, causes risks and negatively affects the cost of energy. The development of smart grids (SGs) plays an important role in detecting electricity theft. Intelligent electric grids are expressed by a two-way flow of information, producing massive data regarding customer consumption, which through machine learning and deep learning techniques, can be utilized to detect electricity theft. In the context of this masters thesis, automated systems based on machine learning and deep learning were developed, with the aim of detecting cases of rheumatic electricity theft in SGs. To address dataset weaknesses, such as the problems of missing measurements and class imbalances, linear interpolation and synthetic minority oversampling (SMOTE) techniques were applied to generate synthetic data, respectively. The proposed dataset was evaluated using four different machine learning techniques: logistic regression (LR), decision trees (DT), random forests (RF), and convolutional neural networks (CNN), to determine the optimal settings that achieve the highest accuracy. In all algorithms, their maximum performance was examined, with the aim of improving the results from existing works, showcasing that the use of the SMOTE method in combination with the proposed Convolutional Neural Network, yields the maximum accuracy results. Overall, the competitiveness of the method compared to other methods evaluated on the same dataset was demonstrated. Finally, though the validation procedures of the CNN model, we showcased 98.3% AUC and 99.4% accuracy, thus significantly outperforming other machine learning models in existing works."]},{"key":"dc:title","label":"Title","values":["Εφαρμογή Αλγορίθμων Μηχανικής Μάθησης για την Ανίχνευση Ρευματοκλοπής σε Ευφυή Ηλεκτρικά Δίκτυα"]}]}],"canonical_facts":{"dc:creator":["Καλαφατέλης Αλέξανδρος","Kalafatelis Alexandros"],"dc:date":["2023"],"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.","Electricity theft is a global problem that negatively affects both electricity generation and distribution companies and ordinary consumers. More specifically, it destabilizes the economic development of utility companies, causes risks and negatively affects the cost of energy. The development of smart grids (SGs) plays an important role in detecting electricity theft. Intelligent electric grids are expressed by a two-way flow of information, producing massive data regarding customer consumption, which through machine learning and deep learning techniques, can be utilized to detect electricity theft. In the context of this masters thesis, automated systems based on machine learning and deep learning were developed, with the aim of detecting cases of rheumatic electricity theft in SGs. To address dataset weaknesses, such as the problems of missing measurements and class imbalances, linear interpolation and synthetic minority oversampling (SMOTE) techniques were applied to generate synthetic data, respectively. The proposed dataset was evaluated using four different machine learning techniques: logistic regression (LR), decision trees (DT), random forests (RF), and convolutional neural networks (CNN), to determine the optimal settings that achieve the highest accuracy. In all algorithms, their maximum performance was examined, with the aim of improving the results from existing works, showcasing that the use of the SMOTE method in combination with the proposed Convolutional Neural Network, yields the maximum accuracy results. Overall, the competitiveness of the method compared to other methods evaluated on the same dataset was demonstrated. Finally, though the validation procedures of the CNN model, we showcased 98.3% AUC and 99.4% accuracy, thus significantly outperforming other machine learning models in existing works."],"dc:identifier":["uoadl:3284799","https://pergamos.lib.uoa.gr/uoa/dl/object/3284799"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Εφαρμογή Αλγορίθμων Μηχανικής Μάθησης για την Ανίχνευση Ρευματοκλοπής σε Ευφυή Ηλεκτρικά Δίκτυα"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:21:37Z"}