السلوك غير الطبيعي لاستهلاك الكهرباء وهندسة الميزات

متابعة السلوك غير الطبيعي لاستهلاك الكهرباء وهندسة الميزات

مع الاستخدام الواسع النطاق “للعدادات الذكية” والتطوير المستمر للبنى التحتية المتقدمة للقياس (AMI)، أصبحت المرافق قادرة على الحصول على بيانات دقيقة حول “الاستهلاك الحقيقي للكهرباء” للمستخدمين النهائيين، وعلاوة على ذلك اكتسب البحث حول اكتشاف الشذوذ لسلوك الاستهلاك استناداً إلى بيانات من العدادات الذكية اهتماماً واسعاً، كما يمكن أن ينظم اكتشاف العيوب سلوك استهلاك الكهرباء لدى العملاء، ويقلل من خسائر مرافق الطاقة ويحافظ على أمن الشبكة الذكية.

كذلك تعكس البيانات من العدادات المبرمجة بشكل غير مباشر سلوك استهلاك الكهرباء للعملاء وجوهر اكتشاف “السلوك المخالف” هو التمييز بين البيانات غير الطبيعية في مجموعة بيانات استهلاك الكهرباء، و بشكل عام تتضمن البيانات الموجودة في الكشف العميق بيانات سيئة وبيانات فقدان غير تقني (NTL)، والتي تنعكس بشكل مباشر في “قراءات العدادات الذكية”، ومع ذلك هناك اختلافات جوهرية بين البيانات السيئة وبيانات (NTL).

كما تشمل البيانات السيئة البيانات المفقودة بالإضافة إلى أنماط استهلاك الكهرباء غير الطبيعية الناتجة عن القوة القاهرة في عملية جمع البيانات أو النقل أو انقطاع التيار الكهربائي المؤقت أو تصحيح الأعمال وتوليد البيانات السيئة أمر حتمي وموضوعي ومؤقت، بحيث يتم إنشاء البيانات في (NTL) عن طريق سرقة الكهرباء بموجب استراتيجيات محددة، بما في ذلك العبث بالقارئات واقتحام الشبكة وانقطاع القياس، والتي تتميز “بخصائص الاستمرارية” والذاتية وعدم الشرعية.

لذلك من السهل العثور على مشاكل البيانات السيئة، مثل البيانات المفقودة والبيانات المتكررة والاستثناءات ومعالجتها في عملية المسح الشامل وتدقيق البيانات، ومع ذلك وبسبب كمية البيانات الكبيرة؛ فإن التمييز بين البيانات السيئة يدوياً دون معيار موحد يعد أمراً شخصياً، ولا يمكن تمييز أنماط استهلاك الكهرباء غير الطبيعية في البيانات السيئة بشكل فعال عن الأنماط العادية.

وفي الوقت نفسه؛ فإن استهلاك الكهرباء غير المخطط له في البيانات السيئة وسرقة الكهرباء في (NTL) لهما أداء مشابه على منحنيات الحمل وطرق الكشف المماثلة، لذلك تنتمي أنماط استهلاك الكهرباء غير الطبيعية في البيانات السيئة وسرقة الكهرباء في (NTL) إلى فئة السلوك غير الطبيعي لاستهلاك الكهرباء.

لذلك تتبع الأبحاث الحالية حول الكشف عن سلوك الاستهلاك غير الطبيعي للكهرباء عموماً عملية “اكتساب الميزات والكشف غير الطبيعي”، وهذه الميزة التي تسمى أيضاً السمة أو المتغير، بحيث تمثل خاصية لعملية أو نظام تم قياسه أو بناؤه من متغيرات الإدخال الأصلية، وذلك من خلال استراتيجيات الميزات المختلفة، كما يتم الحصول على سلسلة من ميزات سلوك استهلاك الكهرباء من مجموعة البيانات وتستخدم لتدريب المصنفات أو لإجراء تحليل الكتلة.

الأعمال ذات الصلة والسلوك غير الطبيعي لاستهلاك الكهرباء

يناقش هذا القسم المفاهيم ذات الصلة حول هندسة الميزات ويقدم استعراضاً موجزاً، وذلك للدراسات الحالية لهندسة الميزات في الكشف عن الاستهلاك غير الطبيعي للكهرباء.

هندسة السمات: وتسمى أيضاً “بهندسة الميزات”، وهي عملية استخدام المعرفة بعلوم البيانات لإنشاء مجموعات ميزات تمكن “خوارزميات التعلم الآلي” من تحقيق أفضل أداء، وبشكل عام يتمثل جوهر هندسة الميزات في تحويل البيانات المعالجة مسبقاً، والتي تتضمن ثلاث مشكلات فرعية، مثل إنشاء الميزات (FC) واستخراج الميزات (FE) واختيار الميزة (FS)، بحيث يظهر مكان هندسة الميزات في عملية التنقيب عن البيانات في الشكل التالي (1).

لذلك يعتمد (FC) على مجموعة البيانات الأصلية ويعتمد على الخبرة المهنية لبناء ميزات جديدة يمكن تفسيرها بشكل عام، وعادةً ما تتطلب عملية (FC) الكثير من الوقت لدراسة عينات البيانات بالإضافة إلى القدرات الخاصة للبصيرة والتحليل، وبالنسبة لبيانات الطاقة يحتاج (FC) إلى معطيات أساسية عن صناعة الطاقة، والتي تعتمد على الخبرة والحكم الذاتي.

بناء الميزات واستخراجها: يتم استخدام بناء الميزات واستخراج الميزات لبناء ناقلات الميزات للمستهلكين، بحيث تم اقتراح خوارزمية غير خاضعة للإشراف للكشف عن أنماط القدرة الكهربائية غير الطبيعية، كما أنهم يستخدمون بيانات الحمل المتوسط ​​الشهرية كمجموعة بيانات ويحصلون على فهرس الاتجاه ومؤشر التباين ومؤشر التقلب كمجموعات ميزات، وبعد ذلك يتم استخدام (PCA) في (FE)، وذلك لمجموعات الميزات إلى بعدين ويتم حساب العامل الخارجي المحلي للعثور على أنماط استهلاك الطاقة الشاذة.

كذلك تم اقتراح طريقة كشف خارجية محسنة تعتمد على وظيفة (Gauss kernel)، وذلك بعد تصنيف المستهلكين حسب التجميع، بحيث يتم إنشاء مجموعة ميزات سلوك استهلاك الكهرباء لكل نوع من المستهلكين، مثل مؤشرات الاتجاه والانحراف المعياري لسلسلة الحمل اليومي، وبعد ذلك يتم تقليل مجموعة الميزات إلى بعدين بواسطة (PCA) وتكتشف وظيفة (Gaussian kernel) المحسّنة القيم المتطرفة.

وأخيراً تم اقتراح خوارزمية تجميع غابة المسار الأمثل (OPF)، بحيث إنهم يعتبرون مشكلة التعرف على (NTL) مهمة كشف الشذوذ لتحليل واستخدام ثماني ميزات لتمثيل كل عميل كهرباء لتحليل المجموعات، وكما ذكر أعلاه؛ فإن العديد من الميزات التي تم إنشاؤها ذاتية ولا يمكن أن تعكس سلوك استهلاك الكهرباء المتأصل للعملاء، بالإضافة إلى ذلك؛ فإن الميزات المستخرجة من عدم القدرة على التفسير.

الميزات التي حصلت عليها خوارزميات التعلم العميق

تم استخدم شبكة المعتقد العميق القائمة على القيمة الحقيقية (RDBN) لاكتشاف سرقة الكهرباء، بحيث يتم تقسيم بيانات استهلاك الكهرباء إلى مجموعة تدريب ومجموعة اختبار، كما ويتم تقليل الأبعاد عن طريق تحليل العوامل، كذلك تم تصميم شبكة (RDBN) وتدريبها للحصول على ميزات سلوك استهلاك الكهرباء ولتحقيق اكتشاف الشذوذ.

فيما بعد أدخلت طريقة استخراج الميزات على أساس نظرية التعلم العميق لاكتشاف سرقة الكهرباء، بحيث تم اقتراح أداة التشفير التلقائي غير التراصيّة (SUAE) واستخدامها لاستخراج الميزات من بيانات استهلاك الكهرباء، بحيث يمكنه استخراج ميزات مجردة وموجزة للغاية نظراً لبنيتها العميقة وعدم خطيتها العالية، وتم اقتراح طريقة التعلم العميق القائمة على الشبكة العصبية التلافيفية (CNN)، كما وتستخدم لاستخراج الميزات من ملفات تعريف الحمل الكهربائي الضخمة تلقائياً.

هندسة الميزات للحصول على مجموعة الميزات المثلى

قدم مفهوم هندسة الميزات في تطبيقات كشف الشذوذ، بحيث تم استخدام إطار عمل هندسة الميزات المقترح لإنشاء مجموعة من الميزات التي يمكن أن تعبر بشكل أفضل عن ديناميكيات الحمل بمرور الوقت، لذلك كان من الأسهل اكتشاف التشوهات وسلوكيات الاحتيال للأسر الشاذة بالمقارنة مع الأسر المماثلة، بحيث تم اقتراح استراتيجية تستند إلى كمية معلومات الميزة لتحديد مجموعة الميزات المحسّنة لسلوك استهلاك الكهرباء للعملاء.

ووفقاً للمعلومات المتبادلة (MI) ومعامل الارتباط بين الميزات، تم اختيار مجموعة الميزات المثلى بناءً على مجموعة الميزات المشتركة، وفيما بعد تم تقديم تقنيتين لبناء السمات لتوصيف (NTL)، وذلك مقارنةً بتحسين الخوارزمية، حيث كانوا أكثر اهتماماً بالعثور على مجموعة الميزات التي تميز الملفات الشخصية القانونية وغير القانونية بشكل أفضل.

وباختصار؛ فقد أصبحت مشكلة كيفية الحصول على مجموعة الميزات المثلى، والتي يمكن أن تعكس سلوك استهلاك الكهرباء للمستخدمين، وهي نقطة ساخنة للبحث، كما أصبحت سلسلة من الأساليب (مثل استراتيجيات الميزات) لهندسة الميزات في التعلم الآلي أكثر انتشاراً في الكشف عن سلوك استهلاك الكهرباء غير الطبيعي.