Development and application of advanced artificial intelligence methods in the detection of power theft in smart electric power distribution networks with strong renewable energy penetration

Abstract

Modern power systems, particularly distribution networks, are currently dealing with a number of challenging issues brought on by advancements in technology and variations in consumer demands. Nevertheless, as power grid components become more interconnected, so does their susceptibility to fraud, cyberattacks, and software bugs. Non-technical losses (NTLs), which include indicative electricity theft, broken or malfunctioning meters, and intentionally arranged misleading meter readings, pose a threat to modern power systems, which are essential infrastructural assets. NTLs are a major concern in emerging nations, as they can account for as much as 40% of all electricity distributed. It is anticipated that NTLs cause yearly global utility expenses of about 100 billion USD. It is consequently imperative for utilities and authorities to reduce NTLs in order to boost income, profit, and grid reliability. Electricity theft is a widespread problem with significant negative economic, social, and financial impacts. This illegal practice can have serious consequences for both utilities and society as a whole. Benefits of power theft detection include reduced financial losses for utility companies, fairer electricity pricing for consumers, and enhanced grid reliability. Additionally, it can help reduce the environmental impact of illegal power consumption. The goal of this PhD thesis is to propose solutions in modern distribution networks by creating innovative concepts and algorithms for identifying power theft using smart meter data. Moreover, this thesis examines the crucial role of power output forecasting for renewable energy sources (RES) in addressing power theft in modern electricity distribution systems. An extensive analysis of NTLs detection techniques is presented, classifying techniques for detecting electricity theft based on the different types of algorithms employed. Additionally, in order to comprehend the various problems with NTLs detection systems, analysis of parameters is carried out, including data requirements, extracted features, performance metrics, response time, etc. Most NTLs detection systems make use of data analytics and machine learning technologies as their main operation algorithms. This thesis primarily analyzes the proposed innovative techniques and the issues that arise during their development and application.

Οι μη τεχνικές απώλειες, οι οποίες περιλαμβάνουν ενδεικτικά, κλοπή ηλεκτρικής ενέργειας, σπασμένους ή δυσλειτουργικούς μετρητές και σκόπιμα διευθετημένες παραπλανητικές ενδείξεις μετρητών, απειλούν σοβαρά τα σύγχρονα συστήματα ηλεκτρικής ενέργειας, τα οποία αποτελούν βασικά στοιχεία υποδομών και οικονομικής ανάπτυξης παγκόσμια. Οι μη τεχνικές απώλειες αποτελούν σημαντικό ποσοστό στις αναδυόμενες οικονομικά χώρες, καθώς μπορούν να φτάσουν να αντιπροσωπεύουν έως και το 40% του συνόλου της ηλεκτρικής ενέργειας που διανέμεται στους καταναλωτές. Υπολογίζεται ότι οι μη τεχνικές απώλειες προκαλούν ετήσιες παγκόσμιες δαπάνες κοινής ωφελείας περίπου 100 δισεκατομμυρίων δολαρίων ΗΠΑ. Κατά συνέπεια, είναι επιτακτική η ανάγκη οι επιχειρήσεις κοινής ωφελείας και οι αρχές να μειώσουν τις μη τεχνικές απώλειες προκειμένου να ενισχύσουν το εισόδημα, τα κέρδη και την αξιοπιστία του δικτύου ηλεκτρικής ενέργειας. Η κλοπή ηλεκτρικής ενέργειας είναι ένα ευρέως διαδεδομένο πρόβλημα διεθνώς, με σημαντικές αρνητικές κοινωνικές και χρηματοοικονομικές επιπτώσεις. Αυτή η παράνομη πρακτική έχει σοβαρές συνέπειες τόσο για τις επιχειρήσεις κοινής ωφέλειας όσο και για την κοινωνία συνολικά. Τα οφέλη της έγκαιρης ανίχνευσης/εντοπισμού κλοπής ηλεκτρικής ενέργειας περιλαμβάνουν μειωμένες οικονομικές απώλειες για τις εταιρείες κοινής ωφέλειας παραγωγής και διανομής ηλεκτρικής ενέργειας, δικαιότερη τιμολόγηση ηλεκτρικής ενέργειας για τους συνεπείς καταναλωτές και βελτιωμένη αξιοπιστία του δικτύου διανομής ηλεκτρικής ενέργειας. Επιπλέον, μπορεί να συμβάλει στη μείωση των περιβαλλοντικών επιπτώσεων, που συνδέονται με την παράνομη κατανάλωση ενέργειας, δεδομένου ότι η ρευματοκλοπή προκαλεί ανάγκη αυξημένης ηλεκτροπαραγωγής. Στόχος αυτής της διδακτορικής διατριβής είναι η πρόταση καινοτόμων υπολογιστικών μεθόδων και λύσεων για την μείωση των μη τεχνικών απωλειών στα σύγχρονα δίκτυα διανομής ηλεκτρικής ενέργειας δημιουργώντας καινοτόμες έννοιες, μεθόδους και αλγόριθμους βασισμένους στην τεχνητή νοημοσύνη και στη μηχανική μάθηση, για τον έγκαιρο εντοπισμό κλοπής ηλεκτρικής ενέργειας, χρησιμοποιώντας δεδομένα από έξυπνους μετρητές. Επιπλέον, εξετάζεται η σημασία της πρόβλεψης παραγωγής ηλεκτρικής ενέργειας από ανανεώσιμες πηγές ενέργειας (ΑΠΕ), η οποία παίζει καθοριστικό ρόλο στην αντιμετώπιση της κλοπής ενέργειας στα σύγχρονα συστήματα διανομής ηλεκτρικής ενέργειας, όπου καταναλωτές είναι ταυτόχρονα και παραγωγοί ηλεκτρικής ενέργειας. Παρουσιάζεται μια εκτενής ανάλυση ευφυών τεχνικών ανίχνευσης μη τεχνικών απωλειών, ταξινομώντας τις μεθόδους για τον εντοπισμό κλοπής ηλεκτρικής ενέργειας με βάση τους διαφορετικούς τύπους αλγορίθμων που χρησιμοποιούνται. Επιπλέον, προκειμένου να κατανοηθούν τα διάφορα προβλήματα στον εντοπισμό ρευματοκλοπής σε σχέση με τα εν γένει συστήματα ανίχνευσης μη τεχνικών απωλειών, πραγματοποιείται ανάλυση παραμέτρων, η οποία συμπεριλαμβάνει απαιτήσεις εμπεριστατωμένων βάσεων δεδομένων καταναλωτών ηλεκτρικής ενέργειας, εξαγόμενων χαρακτηριστικών περιπτώσεων ρευματοκλοπής, ταξινόμησης, μετρήσεων απόδοσης εντοπισμού, χρόνου απόκρισης κ.λπ. Τα περισσότερα συστήματα ανίχνευσης μη τεχνικών απωλειών ως κύριο μέσο χρησιμοποιούν τεχνολογίες ανάλυσης δεδομένων, τεχνητής νοημοσύνης και μηχανικής μάθησης. Το κύριο μέρος αυτής της διατριβής αφιερώνεται στην ανάλυση των καινοτόμων τεχνικών που προτείνονται με βάση τα ανωτέρω, στον προγραμματισμό τους, στην ανάπτυξη πρωτότυπου κώδικα και στην αξιολόγησή τους με πραγματικά δεδομένα από διαχειριστές δικτύων διανομής ηλεκτρικής ενέργειας, καθώς και στην επίλυση των θεμάτων που προκύπτουν κατά την ανάπτυξη και την εφαρμογή τους στην πράξη.