Detection of electrical theft and fault meter in power distribution system using long short-term memory on automatic meter reading

การตรวจจับการโจรกรรมไฟฟ้าและมิเตอร์วัดข้อผิดพลาดในระบบจำหน่ายไฟฟ้าโดยใช้หน่วยความจำระยะสั้นแบบยาวบนการอ่านมิเตอร์อัตโนมัติ

Name: Chintana Xayalath

LCSH: Electricity

LCSH: Electric measurements

LCSH: Electric measurements -- Instruments

Abstract: This thesis presents the method to detect power theft and measurement equipment error based on the real data of meters in power distribution. That the real data included the parameter of voltage and current and was recorded for 15 minutes. The data is a large record that demonstrates the attribute of meter onsite. In this study, the real data of power theft and measurement equipment faults in electricity distribution are collected. It has extracted features by using EDL standards and the experience of technicians to classify. Then, the dataset has divided for training and testing are 80%, and 20% followed by the amount of each class, respectively. The main objective of the research is to use LSTM algorithms for classifier event types in meter data. In addition, the datasets have been applied with algorithms of Ada boost, neural network, and support vector machine (SVM) used in past research to compare our research. From the comparison and accuracy models of this research. The accuracy of LSTM is more than the other algorithm and achieved 99%. it has illustrated the model’s significance classification and can be used in the practice of work.

Abstract: วิทยานิพนธ์นี้นำเสนอวิธีการตรวจหาการโจรกรรมไฟฟ้าและข้อผิดพลาดของอุปกรณ์วัดตามข้อมูลจริงของมิเตอร์ในการกระจายกำลังไฟฟ้า ที่ข้อมูลจริงรวมพารามิเตอร์ของแรงดันและกระแสและบันทึกช่วงเวลา 15 นาที ข้อมูลนี้เป็นบันทึกขนาดใหญ่ซึ่งแสดงให้เห็นถึงคุณลักษณะของมิเตอร์ในสถานที่ ในการศึกษานี้ ได้รวบรวมข้อมูลจริงของการโจรกรรมไฟฟ้าและความผิดพลาดของอุปกรณ์วัดในการจ่ายไฟฟ้า ได้ดึงคุณสมบัติโดยใช้มาตรฐาน EDL และประสบการณ์ของช่างมาจำแนก จากนั้นชุดข้อมูลแบ่งสำหรับการฝึกอบรมและการทดสอบเป็น 80%, 20% ตามจำนวนแต่ละชั้นเรียนตามลำดับ วัตถุประสงค์หลักของการวิจัยคือการใช้อัลกอริธึม LSTM สำหรับประเภทเหตุการณ์ตัวแยกประเภทในข้อมูลมิเตอร์. นอกจากนี้ ชุดข้อมูลยังใช้กับอัลกอริธึมของ Ada boost, neural network, support vector machine (SVM) ที่ใช้ในการวิจัยที่ผ่านมาเพื่อเปรียบเทียบงานวิจัยของเรา จากการเปรียบเทียบแบบจำลองความแม่นยำของงานวิจัยชิ้นนี้ ความแม่นยำของ LSTM เป็นมากกว่าอัลกอริธึมอื่นๆ และทำได้ถึง 99% ได้แสดงให้เห็นการจำแนกความสำคัญของแบบจำลองและสามารถนำไปใช้งานได้จริง.

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Kanchit Ngamsanroaj

Role: Chairman

Name: Sutichai PrerudeePreechacharn

Role: Member

Name: Anoucha Promwungkwa

Role: Member

Name: Paramet Wirasanti

Role: Member

Created: 2022

Modified: 2022-11-06

Issued: 2022-11-06

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Engineering

Level: Master's Degree

Descipline: Energy Engineering

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	610631136.pdf	5.89 MB

ใช้เวลา

0.033625 วินาที