Анализ методов обнаружения нетехнических потерь электроэнергии

Боковая панель статьи

PDF
Опубликован: сен 16, 2021
Ключевые слова:
экономическая безопасность, энергетика, Data mining, прогнозирование электропотребления economic security, power utilities, Data mining, electricity consumption forecasting

Основное содержимое статьи

А. А. Чухров
ГБОУ ВО МО «Университет «Дубна», г.Дубна

Аннотация

Применение технологий интеллектуального анализа данных в области обнаружения мошенничества привело к успехам в выявлении мошеннических транзакций в банковской сфере и электронной коммерции. В тоже время, несмотря на актуальность проблемы хищения электроэнергии, на данный момент, не существует эффективного решения обнаружения фактов безучетного потребления, используя имеющиеся в энергетических компаниях потоки данных. В этой статье представлено исследование проблемы хищения энергии, сравнительный анализ современных методов обнаружения источников нетехнических потерь.

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
1.
Чухров АА. Анализ методов обнаружения нетехнических потерь электроэнергии . Системный анализ в науке и образовании [Интернет]. 16 сентябрь 2021 г. [цитируется по 28 апрель 2024 г.];(4):1-6. доступно на: https://sanse.ru/index.php/sanse/article/view/70
Выпуск
№ 4 (2015): №4 (2015)
Раздел
Статьи

Библиографические ссылки

Красник В.В. 102 способа хищения электроэнергии. – М.: ЭНАС, 2011.

Фардиев И.Ш., Сафиуллин Д.Х. Об инновационном проекте «Умная сеть» // Энергетика Татарстана. 2010. – №3.

Z. Aung. Database systems for the smart gird // Smart Grid: Opportunities, Developments and Trends. – 2013.

Коморник С., Калечиц Е. Требования к системам прогнозирования энергопотребления // ЭнергоРынок. – 2008. – №3.

Hyde O., Hodnett P.F. An adaptable automated procedure for short -term electricity load forecasting // IEEE Transactions on Power Systems. – 1997. – Vol. 12. – Pp. 84-93.

Chen M.S., Van P. Nonparametric regression based short-term load forecasting // IEEE Transactions on Power Systems. – 1998. – Vol. 13. – Pp. 725-730.

Никифоров Г. В. Анализ устойчивости регрессионных моделей электропотребления // Промышленная энергетика. – 1999. – № 12. – С. 18-20.

Шувалова Е.Б. Теория статистики: Учебник. – М.: Финансы и статистика, 2004.

Desouky A.A. Hybrid adaptive techniques for electric-load forecast using ANN and ARIMA // IEE Proceedings of Generation, Transmission and Distribution. – 2000. – Vol. 4. – Pp. 213-217.

Cho M.Y., Hwang J. C., Chen C. S. Customer short-term load forecasting by using ARIMA transfer function model // Proceedings of the International Conference on Energy Management and Power Delivery, EMPD. – 1995. – Vol. 1. – Pp. 317-322.

Yang H.T., Huang C.M., Huang C.L. Identification of ARMAX model for short-term load forecasting: An evolutionary programming // IEEE Transactions on Power systems. – 1996. – Vol. 11. – Pp. 403- 408.

Курбацкий В.Г. Прогнозирование электрической нагрузки с использованием искусственных нейронных сетей // Электрика. – 2006. – № 7.

Worawit T., Wanchai C. Substation short term load forecasting using neural network with genetic algorithm // IEEE Conference on Computers, Communications. – 2002. – Pp. 1787-1790.

Bashir Z.A., El-Hawary M.E. Short-Term Load Forecasting Using Artificial Neural Network Based on Particle Swarm Optimization Algorithm // Canadian Conference on Electrical and Computer Engineering. – 2007. – Pp. 272-275.

Huang C.M., Yang H.T. Evolving wavelet-based networks for short-term load forecasting, Generation, Transmission and Distribution // IEE Proceedings. – 2001. – Vol. 148. – Pp. 222-228.

Zhao Y., Zhang Y., Tang Y. Short-term load forecast based on neural network and fuzzy theory // High Voltage Engineering. – 2006. – Vol. 32. – Pp. 107-110.

Vapnik V., Cortes C. Support-vector networks // Mach. Learn. 1995. – Vol. 20. – Pp. 273-297.

Cherkassky V., Ma Y. Practical selection of SVM parameters and noise estimation for SVM regression // Neural Netw. – 2004. – Vol. 17. – Pp. 113-126.

Chen B.J. Load Forecasting Using Support Vector Machines // A Study on EUNITE Competition 2001, National Taiwan University, Department of Computer Science and Information Engineering, National Taiwan University. – 2001. – Pp. 20-26.

Надтока И.И. Краткосрочное прогнозирование электропотребления региона с учетом метеофакторов на основе метода опорных векторов и алгоритма роя частиц // Изв. вузов. Электромеханика. – 2014. – № 3.

Мозгалин А. В. Информационно-методическое обеспечение прогнозирования часовых объемов электропотребления при выходе предприятия на оптовый рынок электрической энергии // Диссертация на соискание ученой степени кандидата технических наук. – Москва, 2007.

Воронов И.В. Прогнозирование электропотребления промышленных предприятий с помощью искусственных нейронных сетей // Диссертация на соискание ученой степени кандидата технических наук. – Кемерово, 2010.

Евсеева А.В. Прогнозирование электропотребления при помощи гибридного алгоритма с применением технология CUDA // Вестник ИГЭУ. – 2011. – №3.

Лесниченко А. Ю. Метод среднесрочного прогнозирования электропотребления предприятий и организаций региона // Электрика. – 2010. – №8.