基于输入数据压缩的轻量级 LSTM 能源盗窃检测模型

随着全球智能电表在电网中的日益广泛集成，检测能源盗窃已成为一个关键且持续的挑战。人工智能（AI）基于的模型在识别欺诈性消费模式方面表现出色；然而，先前探索此问题的机器学习解决方案需要高计算和能源成本，限制了其实用性——尤其是在低盗窃场景中，持续推理可能导致不必要的能源消耗。本文提出一种轻量级检测单元，即看门狗机制，作为预筛选器，用于确定何时激活长短期记忆（LSTM）模型。该机制限制了输入数据量，仅保留更可能涉及能源盗窃的实例，从而在保持检测准确性的同时，大幅降低持续模型运行所耗费的能源。该提议系统通过在六个不同盗窃严重程度和活跃盗窃者数量的场景中进行仿真评估。结果表明，功耗降低超过 64%，且检测准确性几乎不受影响，召回率始终保持高位。这些发现支持了在智能电网中实现更高效、可扩展的能源盗窃检测方法的可行性。与此不同于旨quel 通过增加模型复杂度来实现边际准确性提升的先前工作，本研究强调实际部署中的推理效率和系统可扩展性。结果凸显了在现代智能电网基础设施中部署可持续、AI 辅助监测系统的潜力。