Electricity-Theft Detection for Change-and-Transmit Advanced Metering Infrastructure
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The periodic transmission of the customers’ power consumption readings in the advanced metering infrastructure (AMI) is essential for energy management and billing. To collect the readings efficiently, the change and transmit approach is adopted in AMI (CAT AMI) so that the readings are reported only when there is enough change in the consumption. However, CAT AMI suffers from malicious customers who launch electricity-theft cyberattacks by manipulating their readings to illegally reduce their bills. These attacks can cause hefty financial losses and degrade the grid performance because the readings are used for grid management. In this article, the electricity-theft problem in CAT AMI networks is investigated. We first process a real power consumption readings data set to create a benign data set and propose a new set of cyberattacks to create malicious samples. We then develop a deep-learning-based electricity-theft detection solution to identify malicious customers for the CAT AMI network. The proposed detector uses both the customers’ transmission pattern and CAT readings to learn the correlation between them in order to enhance the detector’s ability in identifying electricity thefts. We conduct extensive experiments to evaluate the performance of our electricity-theft detector, and the results indicate that our detector can accurately detect malicious customers and achieve higher detection rate and lower false alarm than the detectors that are trained only on the CAT readings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle