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 |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: