• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE International Conference on Tools with Artificial Intelligence >Electricity Theft Detection Using Generative Models
【24h】

Electricity Theft Detection Using Generative Models

机译：电力盗窃检测使用生成模型

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Advanced metering infrastructure (AMI) plays an important role in smart grid. On one hand, AMI makes the smart grid more vulnerable to cyber attacks. On the other hand, large amount of available usage data helps detect energy thefts using machine learning methods. In this paper, we focus on energy theft that results in customer usage pattern change in utility database. To overcome the imbalance problem between normal and anomaly behavior data, we propose an anomaly detection framework called semi-supervised generative Gaussian mixture model, which can be controlled with detection indicator thresholds to adjust the intensity of detection. Human knowledge is successfully introduced into the model using detection indicators. We analyze it with various machine learning based methods including one-class SVM and autoencoder, and show that our framework has the most effective performance validated by simulation that is based on real-world energy consumption data.
机译：高级计量基础架构（AMI）在智能电网中发挥着重要作用。一方面，AMI使智能电网更容易受到网络攻击的影响。另一方面，大量可用使用数据有助于使用机器学习方法检测能量盗窃。在本文中，我们专注于能源盗窃，导致实用程序数据库中的客户使用模式更改。为了克服正常和异常行为数据之间的不平衡问题，我们提出了一种被称为半监控生成高斯混合模型的异常检测框架，可以使用检测指示符阈值来控制以调节检测强度。使用检测指标成功地将人类知识成功引入模型中。我们将其分析了基于机器学习的方法，包括单级SVM和AutoEncoder，并显示我们的框架具有基于现实世界能源数据的模拟验证的最有效的性能。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号