Enhancing electricity theft detection with ADASYN-enhanced machine learning models

Stromdiebstahl stellt für Energieversorger weltweit eine erhebliche finanzielle und sicherheitstechnische Herausforderung dar, wobei in Ländern wie Brasilien, Russland und Südafrika erhebliche Einnahmeverluste gemeldet werden. Dieser Artikel geht auf die Anwendung adaptiver synthetischer Stichproben (ADASYN) ein, um die Leistung maschineller Lernmodelle bei der Erkennung von Stromdiebstahl zu verbessern, insbesondere in Regionen ohne integrierte intelligente Stromnetze. Die Studie bewertet verschiedene maschinelle Lernalgorithmen, darunter Naive Bayes, logistische Regression, Unterstützungsvektormaschine, AdaBoost, Entscheidungsbaum und Random Forest, die alle in ADASYN integriert sind. Das zufällige Waldmodell erweist sich in Kombination mit ADASYN als das effektivste und erreicht eine beeindruckende Genauigkeit von 95%, Präzision, Recall und F1-Score. Die überlegene Leistung dieses Modells wird durch umfangreiche Tests und Vergleiche mit bestehenden Benchmarks bestätigt und zeigt sein Potenzial, finanzielle Verluste deutlich zu verringern und die öffentliche Sicherheit zu verbessern. Der Artikel diskutiert auch die Beschränkungen der aktuellen Studie und schlägt Wege für zukünftige Forschung vor, wie die Erforschung verschiedener Datensätze und alternativer Probenahmetechniken. Durch die Nutzung fortschrittlicher maschineller Lerntechniken und die Behebung von Datenungleichgewichten bietet diese Forschung einen umfassenden Ansatz zur Verbesserung der Erkennung und Prävention von Stromdiebstahl.