通过将预测转化为全息空间可视化来识别不规则用电行为
机器学习
2017-09-12 v1 人工智能
人机交互
摘要
电网是关键的基础设施资产，面临着非技术性损失（NTL），如窃电或电表故障。在新兴国家，NTL 可能占分配总电量的 40%。工业界的 NTL 检测系统在决定是否对客户进行昂贵的现场检查时，仍主要基于专家知识。由于自动化系统从数据中学习 NTL 特征后往往建议进行大量不必要的检查，电力供应商不愿大规模部署此类系统。在本文中，我们提出了一种结合自动化统计决策与专家知识的新系统。首先，我们提出了一个机器学习框架，利用从客户消费数据中提取的各种特征，将客户分类为 NTL 或非 NTL。所采用的方法专门针对数据中的噪声水平进行了定制。其次，为了允许人类专家将其知识反馈到决策循环中，我们提出了一种在全息图中以不同粒度级别可视化预测结果的方法。我们的方法使领域专家能够将分类结果置于数据背景中，并结合其知识做出关于检查哪些客户的最终决定。这项工作在一个包含 360 万客户的真实世界数据集上取得了显著成果。我们的系统正在被部署到商业 NTL 检测软件中。
引用
@article{arxiv.1709.03008,
title = {Identifying Irregular Power Usage by Turning Predictions into Holographic Spatial Visualizations},
author = {Patrick Glauner and Niklas Dahringer and Oleksandr Puhachov and Jorge Augusto Meira and Petko Valtchev and Radu State and Diogo Duarte},
journal= {arXiv preprint arXiv:1709.03008},
year = {2017}
}
备注
Proceedings of the 17th IEEE International Conference on Data Mining Workshops (ICDMW 2017)