Rozpoznawanie urządzeń i wykrywanie nieautoryzowanego poboru energii elektrycznej na podstawie pomiaru napięcia

pol Artykuł w języku polskim DOI: 10.14313/PAR_238/5

wyślij Zdzisław Kowalczuk, Marek Grzegorek Politechnika Gdańska, Wydział Elektroniki, Telekomunikacji i Informatyki, Katedra Systemów Decyzyjnych i Robotyki

Pobierz Artykuł

Streszczenie

W pracy rozpatrywany jest problem wykrywania nieautoryzowanego poboru energii z sieci elektrycznej przez identyfikację podłączonych urządzeń. Estymacja stanu sieci, rozumianej jako zbiór podpiętych układów, wraz z ustaloną listą urządzeń dopuszczonych, pozwala określić, czy w danej chwili ma miejsce pobór nieautoryzowany. W celu wykrywania urządzeń, proponuje się wykorzystać prostą metodę opartą na analizie wysokoczęstotliwościowego szumu elektromagnetycznego (EMI) indukowanego w sygnale napięcia zasilającego. Rozwiązanie to pozwala na centralny pomiar, w jednym miejscu – bez konieczności instalacji czujników w licznych punktach potencjalnego poboru prądu. Bazując na danych pomiarowych sygnału EMI, zrealizowano symulator syntezujący dane przypominające rzeczywiste spektrogramy. Dzięki zastosowaniu symulatora możliwe jest uzyskanie informacji o stanie sieci w różnych konfiguracjach w celu przeprowadzenia procedury projektowania detektora z użyciem uczenia pod nadzorem, co również jest prezentowane w pracy.

Słowa kluczowe

nieinwazyjne monitorowanie obciążenia, wykrywanie oszustw, wykrywanie urządzeń

Device Recognition and Detection of Unauthorized Electricity Consumption Based on Voltage Measurement

Abstract

The paper examines the problem of detecting unauthorized energy consumption from the electric network by identifying connected devices. The estimation of the network condition, understood as a set of connected systems, together with a set list of approved devices, allows to determine whether an unauthorized consumption is taking place at a given moment. In order to detect devices, it is proposed to use a simple method based on the analysis of high-frequency electromagnetic noise (EMI) induced in the supply voltage signal. This solution allows for central measurement in one place – without the need to install sensors in numerous points of potential current consumption. Based on the measurement data of the EMI signal, a simulator was implemented that synthesized data resembling actual spectrograms. Thanks to the use of the simulator, it is possible to obtain information about the state of the network in various configurations in order to carry out the detector design procedure using supervised learning, which is also presented in the paper.

Keywords

appliance detection, fraud detection, non-intrusive load monitoring

Bibliografia

  1. Gupta S., Reynolds M.S., Patel S.N., ElectriSense: Single-Point Sensing Using EMI for Electrical Event Detection and Classification in the Home. [in:] Proceedings of the 12th ACM International Conference on Ubiquitous Computing, 2010, 139–148.
  2. Chen K.Y., Gupta S., Larson E.C., Patel S., DOSE: Detecting user-driven operating states of electronic devices from a single sensing point. [in:]: Proceedings of the IEEE International Conference on Pervasive Computing and Communications, 2015, 46–54, DOI: 10.1109/PERCOM.2015.7146508.
  3. Patel S.N., Robertson T., Kientz J.A., Reynolds M.S., Abowd G.D., At the Flick of a Switch: Detecting and Classifying Unique Electrical Events on the Residential Power Line. [in:] Proceedings of the 9th International Conference on Ubiquitous Computing, 2007, 271–278, DOI: 10.1007/978-3-540-74853-3_16.
  4. Zeifman M., Roth K., Non-Intrusive Appliance Load Monitoring: Review and Outlook. [in:] IEEE Transactions on Consumer Electronics, Vol. 57, No. 1, 2011, 76–84, DOI: 10.1109/TCE.2011.5735484.
  5. Kingma D.P., Ba J., Adam: A Method for Stochastic Optimization. [in:] arXiv e-prints, 2014.
  6. Molchanov P., Tyree S., Karras T., Aila T., Kautz J., Pruning Convolutional Neural Networks for Resource Efficient Inference. [in:] arXiv e-prints, 2016.
  7. Guo Y., A Survey on Methods and Theories of Quantized Neural Networks. [in:] arXiv e-prints, 2018.
  8. Neuback A., Van Gool L., Efficient Non-Maximum Suppression. [in:]: Proceedings of the 18th International Conference on Pattern Recognition, 2006, DOI: 10.1109/ICPR.2006.479.