Ανίχνευση μη τεχνικών απωλειών με συστήματα μηχανικής μάθησης

Μητσέλος, Αθανάσιος; Mitselos, Athanasios

dc.contributor.author	Μητσέλος, Αθανάσιος	el
dc.contributor.author	Mitselos, Athanasios	en
dc.date.accessioned	2017-12-11T12:52:16Z
dc.date.available	2017-12-11T12:52:16Z
dc.date.issued	2017-12-11
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46064
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.14673
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Μη τεχνικές απώλειες	el
dc.subject	Ρευματοκλοπές	el
dc.subject	Χρονοσειρές	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Non-technical losses	en
dc.subject	Electricity fraud	en
dc.subject	Timeseries	en
dc.subject	Machine learning	en
dc.title	Ανίχνευση μη τεχνικών απωλειών με συστήματα μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Συλλογή δεδομένων και μεθοδολογία εκτίμησης δεδομένων	el
heal.classification	Προγράμματα ηλεκτρονικών υπολογιστών	el
heal.classificationURI	http://data.seab.gr/concepts/a120d914186f450f9fdee3d94c0b5f080953194b
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-10-24
heal.abstract	Οι εταιρίες παροχής ηλεκτρισμού αντιμετωπίζουν το ολοένα και αυξανόμενο πρόβλημα των μη τεχνικών απωλειών στις καταναλώσεις των πελατών τους. Το γεγονός αυτό πλήττει σημαντικά τις εταιρίες, μειώνοντας το εισόδημά τους και θέτει σε κίνδυνο τους ανειδίκευτους καταναλωτές που επεμβαίνουν στις υποδομές του παρόχου. Η προσέγγιση αυτού του προβλήματος έγινε με προσομοίωση ρευματοκλοπών σε ετήσιες χρονοσειρές καταναλωτών και δοκιμάστηκαν πληθώρα αλγορίθμων επιβλεπόμενης, μη επιβλεπόμενης και ημι-επιβλεπόμενης μηχανικής μάθησης για την ανίχνευση των καταναλωτών με μη τεχνικές απώλειες. Τα αποτελέσματα αναδεικνύουν τις δυνατότητες των συστημάτων μη επιβλεπόμενης και ημι-επιβλεπόμενης μάθησης σε σχέση με τη δεδομένη επιτυχία των αλγορίθμων επιβλεπόμενης μάθησης. Τα συστήματα που δημιουργήθηκαν έχουν ικανοποιητική απόδοση που δεν αποκλίνει σημαντικά από τους αλγορίθμους αναφοράς της επιβλεπόμενης μάθησης. Καθίσταται λοιπόν σαφές πως η ανίχνευση μη τεχνικών απωλειών είναι εφικτή με συστήματα μηχανικής μάθησης.	el
heal.abstract	Power companies face the problem of increasing intrusion of non-technical losses on con- sumptions of their clients. This impacts significantly power companies by reducing their economical growth and sets on danger unskilled consumers who intervene with the pow- er infastracture. This problem was approached by simulating frauds on yearly timeseries and by testing many different algorithms for supervised, unsupervised and semi-supervised machine learning in order to detect consumers with non-technical loss intrusion. The re- sults show the potential of the unsupervised and semi-supervised learning in relation with the given success of supervised algorithms. The designed systems have satisfactory per- formance which does not diverge significantly from the reference algorithms of supervised learning. Concluding the detection of non-technical losses is achievable with machine learning systems.	en
heal.advisorName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Παπαθανασίου, Σταύρος	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος	el
heal.academicPublisherID	ntua
heal.numberOfPages	109 σ.	el
heal.fullTextAvailability	true