Resumen

Existen muchos métodos o algoritmos aplicables a la detección de robos de electricidad. Sin embargo, los estudios comparativos sobre métodos de aprendizaje supervisado para la detección de robos de electricidad son todavía insuficientes. En este artículo, se presentan comparaciones basadas en la exactitud predictiva, la recuperación, la precisión, el AUC y la puntuación F1 de varios métodos de aprendizaje supervisado, como el árbol de decisión (DT), la red neuronal artificial (ANN), la red neuronal artificial profunda (DANN) y AdaBoost, y se analiza su rendimiento. Para este estudio se utilizó un conjunto de datos públicos de la State Grid Corporation of China (SGCC). El conjunto de datos consistía en el consumo de energía en unidades de kWh. De acuerdo con los resultados del análisis, DANN supera a otros clasificadores de aprendizaje supervisado como ANN, AdaBoost y DT en recall, F1-Score y AUC. Una futura dirección de investigación es que los experimentos se pueden realizar con otros algoritmos de aprendizaje supervisado con diferentes tipos de conjuntos de datos y se pueden aplicar métodos de preprocesamiento adecuados para producir un mejor rendimiento.

• Materias:Ingeniería electrónica Redes Inalámbricas Procesamiento de señales asistido por computador Informática Procesamiento de datos
• Subjects:Electronic engineering Wireless Networks Signal processing computer-assisted Computing Data processing
• Palabras claves:red neuronal artificial profunda, otros algoritmos de aprendizaje supervisado, varios métodos de aprendizaje supervisado, corporación de red estatal, red neuronal artificial, detección de robos de electricidad, dirección futura de la investigación, métodos adecuados de preprocesamiento, métodos de aprendizaje supervisado, ann
• Keywords:deep artificial neural network, other supervised learning algorithms, several supervised learning methods, state grid corporation, artificial neural network, electricity theft detection, future research direction, suitable preprocessing methods, supervised learning methods, ann