منصة الرسائل والاطاريح: نظام الحوسبة السحابية الذكية لكشف السرقة لنمط استهلاك الطاقة المنزلي وتصحيح عامل القدرة

الخلاصة

يُعتبر الوصول إلى الكهرباء الموثوق بها أمرًا حيويًا لتشغيل العديد من القطاعات، بما في ذلك القطاعات السكنية والصناعية والمرافق الطبية. ومع ذلك، تستمر التحديات مثل سرقة الطاقة وفواتير الكهرباء المفرطة وفقدان الطاقة ، مما يعيق الاستهلاك الفعّال والمستدام للطاقة. تقدم هذه الأطروحة نظام سحابة ذكيًا مصممًا للتغلب على هذه التحديات من خلال اكتشاف سرقة الكهرباء في الوقت الفعلي وتحديد أنماط الحمولة الغير طبيعية مع تصحيح عامل القدرة. يستخدم النظام المقترح خادمًا سحابيًا لتخزين البيانات والتحليل. يعتمد على نهج هجين يجمع بين الطرق المبنية على الأجهزة و البيانات لاكتشاف سرقة الكهرباء. ينطوي النهج الموجه نحو الأجهزة على تثبيت أجهزة استشعار على الشبكة التوزيعية لتحديد المستهلكين غير القانونيين للكهرباء. في الوقت نفسه، يستخدم النهج الموجه نحو البيانات تقنيات التعلم العميق لتدريب نموذج قادر على اكتشاف أنماط الحمل المشبوهة المرتبطة بالسرقة. قد خضع النهج الموجه نحو الأجهزة للاختبار في ظروف مختلفة وأظهر فعاليته وكفاءته في اكتشاف حوادث سرقة الكهرباء بدقة. أما النهج الموجه نحو البيانات، باستخدام شبكات التعلم العميقة (Convolutional Neural Networks CNNs)، فقد تم اختياره لقدرته على استخراج سمات ذات صلة من البيانات الكهربائية في هذا النهج، تم استخدام مجموعة بيانات تسمى "مجموعة الشبكة الذكية" المقدمة من شركة الشبكة الكهربائية الحكومية في الصين (SGCC). لمعالجة توازن البيانات، تم اختبار العديد من تقنيات معالجة البيانات، بما في ذلك تقنيات عينة تحت العشوائية (RUS) وعينة فوق العشوائية (ROS) وتقنية الترفيع الاصطناعي الأقلية (SMOTE) وتقنية SMOTETomek وتقنية العينة الاصطناعية المتكيفة (ADASYN). من بين هذه التقنيات، تم اختيار تقنية العينة الاصطناعية المتكيفة (ADASYN) للتعامل مع التوازن في البيانات. أظهر تقييم نموذج CNN فعاليته في اكتشاف السرقة بدقة مميزه تبلغ 97.22٪، دقة إيجابية تبلغ 97٪، ومعدل تذكر يبلغ 99.9٪. من خلال دمج النهجين، يُحسّن النظام بشكل كبير التعرف على سرقة الكهرباء ومنعها، مما يؤدي إلى تحسين استقرار النظام وموثوقيته وكفاءته. بالإضافة إلى ذلك، يشجع النظام على الاستهلاك المسؤول للطاقة، ويضمن الوصول المنصف للكهرباء مع تقليل الأعباء المالية المرتبطة بفواتير الكهرباء المفرطة. وقد مكّنت تقنيات الحوسبة السحابية تنفيذ ونشر هذه النهجين بشكل كبير. توفر خوادم السحابة السعة التخزينية والموارد الحسابية اللازمة لتنفيذ النماذج وتحليل البيانات وعرض النتائج للسلطات المعنية بكشف سرقة الكهرباء. سهّلت خوادم السحابة توزيع واستخدام هذا النهج الهجين في سياق اكتشاف سرقة الكهرباء. بالإضافة إلى ذلك، نقترح استخدام تقنيات التعلم الآلي، وتحديدًا خوارزمية الغابات العشوائية، للتعامل في اختيار قيمة السعة المناسبة لتصحيح عامل القدرة، والذي يشير إلى كفاءة نظام توزيع الكهرباء. من خلال تحسين عامل القدرة، يمكننا تقليل فقدان الطاقة وتخفيض التكلفة الإجمالية لتوفير الكهرباء. تم تقييم أداء النهج المقترح باستخدام مقاييس مختلفة. حقق النموذج دقة تدريب عالية تبلغ 99.8٪. تدعم دقة الاختبار البالغة 97.93٪ قدرة النموذج على التعميم إلى البيانات الغير معروفة، مما يشير إلى فعاليته في السيناريوهات الحقيقية. علاوة على ذلك، تدل دقة الإيجابية البالغة 97.98٪ على أن غالبية قيم السعة المختارة، في حين تشير نسبة التذكر البالغة 97.93٪ إلى أن نسبة عالية من القيم الحقيقية للسعة تم تحديدها بشكل صحيح من قبل النموذج. بشكل عام، تؤكد هذه النتائج فعالية وموثوقية خوارزمية الغابات العشوائية في تصحيح عامل القدرة وتحسين كفاءة نظام توزيع الكهرباء. عند مقارنة النتائج التي حققها نظامنا بالنتائج التي حققها الآخرون، من الواضح أن نظامنا يتفوق على الأساليب البديلة.