بهبود دقت تشخیص سرقت برق در شبکه هوشمند

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,009

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICIKT08_131

تاریخ نمایه سازی: 5 بهمن 1395

چکیده مقاله:

شبکه های هوشمند برق به دلیل به کارگیری زیرساخت های کامپیوتری و مخابرات دیجیتال، در مقایسه با شبکه های سنتی در برابر حملاتامنیتی آسیب پذیرترند. به همین دلیل نگرانی هایی در مورد نفوذ افراد غیرمجاز به این تجهیزات به منظور سرقت برق و اعمال خرابکارانه درشبکه برق وجود دارد. در این میان سیستم های تشخیص نفوذ مبتنی بر ناهنجاری می توانند به عنوان روشی برای تشخیص افراد فریبکاربه کار روند. روش های پیشین ارائه شده برای تشخیص سرقت برق دارای مشکلاتی از قبیل دقت تشخیص پایین، هزینه پیاده سازی و نرخمثبت کاذب زیاد هستند. هدف این مقاله، بهبود عملکرد سیستم تشخیص نفوذ در تشخیص حملات مربوط به تغییر داده در شبکه هوشمنداست. به منظور دستیابی به هدف مذکور، ابتدا چالش های امنیتی پیش روی شبکه هوشمند شناسایی و معرفی می گردند و در ادامه روشیمبتنی بر یادگیری ماشین ارائه می شود. روش پیشنهادی از دو بخش تشکیل شده است. در بخش نخست موتور تشخیص حملات به کمکچهار دسته بند پایه ی ماشین بردار پشتیبان، شبکه عصبی MLP ، درخت تصمیم و K - نزدیکترین همسایه پیاده سازی می شود و در بخشدوم نتایج این دسته بندها به کمک الگوریتم تلفیقی AdaBoost بهبود می یابد. روش پیشنهادی با استفاده از نرم افزار MATLAB 2013aپیاده سازی و با مجموعه داده CER ارزیابی شد. نتایج حاصل از ارزیابی نشان می دهد که دقت تشخیص و نرخ مثبت کاذب این روش درمقایسه با سایر دسته بندها به ترتیب به % 71 / 86 و % 3 / 13 بهبود یافته است.

کلیدواژه ها:

شبکه هوشمند ، سرقت برق ، سیستم تشخیص نفوذ ، زیرساخت اندازه گیری پیشرفته ، الگوریتم AdaBoost

نویسندگان

رضا الیاسی

دانشگاه اصفهان

کمال جمشیدی

دانشگاه اصفهان

علی بهلولی

دانشگاه اصفهان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Energy Magazine, IEEE, vol. 8, pp. 18-28, 2010. [2] ...
  • distribution efficiency to mitigate pollution IEEE ISEE (May 2008), " ...
  • http :/krebsons ecurity. com/201 _ i-sma rt-meter-hacks likely-to- sp read/(accessed ...
  • in smart grid, " Tsinghua Science and Technology, vol. 19, ...
  • Detection in AMI Using Customers? Consumption Patterns, " Smart Grid, ...
  • Mohamad, "Nontechnical loss detection for metered customers in power utility ...
  • "Detection of abnormalities and electricity theft using genetic support vector ...
  • "Improving SVM-based nontechnical loss detection in power utility using the ...
  • Sastry, "A game theory model for electricity theft detection and ...
  • techniques: Elsevier, 2011 [13] ...
  • "Multimedia contemt identification through Smmart meter power usage profiles, " ...
  • "AMIDS: A multi-sensor energy theft detection framework for advanced metering ...
  • نمایش کامل مراجع