迈向智能能源安全：面向智能电网可扩展窃电检测的统一时空与图学习框架
机器学习
2026-04-07 v1 人工智能
摘要
窃电和非技术性损失（NTLs）仍然是现代智能电网中的关键挑战，造成重大经济损失并危及电网可靠性。本研究引入了 SmartGuard 能源智能系统（SGEIS），这是一个用于窃电检测和智能能源监控的集成人工智能框架。所提出的系统结合了监督机器学习、基于深度学习的时间序列建模、非侵入式负荷监测（NILM）以及基于图的学习，以捕捉时间和空间上的用电模式。我们开发了一个全面的数据处理流程，融合了特征工程、多尺度时间分析和基于规则的异常标记。采用长短期记忆网络（LSTM）、时序卷积网络（TCN）和自编码器等深度学习模型来检测异常用电模式。同时，利用随机森林、梯度提升、XGBoost 和 LightGBM 等集成学习方法进行分类。为了对电网拓扑和空间依赖关系进行建模，应用图神经网络（GNNs）来识别互连节点间的相关异常。NILM 模块通过从聚合信号中分解出电器级别的用电量来增强可解释性。实验结果展示了强大的性能，梯度提升的 ROC-AUC 达到 0.894，而基于图的模型在识别高风险节点方面达到了超过 96% 的准确率。该混合框架通过整合时间、统计和空间智能，提高了检测的鲁棒性。总体而言，SGEIS 为窃电检测提供了一种可扩展且实用的解决方案，具有高准确性、改进的可解释性以及在现实世界智能电网部署中的巨大潜力。
引用
@article{arxiv.2604.03344,
title = {Towards Intelligent Energy Security: A Unified Spatio-Temporal and Graph Learning Framework for Scalable Electricity Theft Detection in Smart Grids},
author = {AbdulQoyum A. Olowookere and Usman A. Oguntola and Ebenezer. Leke Odekanle and Maridiyah A. Madehin and Aisha A. Adesope},
journal= {arXiv preprint arXiv:2604.03344},
year = {2026}
}
备注
26 pages, 9 figures