Elektrik dağıtım şebekelerinde teknik olmayan kayıp kaçakların makine öğrenmesi ile tespiti

Abstract

Kaçak elektrik kullanımı, Türkiye'deki dağıtım şirketlerinin önemli sorunlarından biridir. Özellikle Türkiye'nin güneydoğu illeri Diyarbakır, Şanlıurfa, Mardin, Siirt, Batman ve Şırnak illerini kapsayan Dicle Elektrik Dağıtım Bölgesi, 2018 yılı için %54,94 kayıp kaçak oranıyla Türkiye'de kaçak elektrik kullanımının en yüksek olduğu dağıtım bölgesidir. Bu çalışmada, makine öğrenmesi tabanlı 6 sınıflandırma algoritması kullanılarak, Teknik Olmayan Kayıp Kaçaklar tespit edilmeye çalışılmıştır. Bu amaçla Müşteri Bilgi Sistemi (MBS), Coğrafi Bilgi Sistemi (CBS), Saha Yönetim Sistemi (SYS) ve iki farklı Otomatik Sayaç Okuma Sistemi (OSOS) olmak üzere beş büyük ve canlı sistem verisi kullanılmıştır. Çalışmanın ilk fazında, SQL teknikleri ile veri temizliği ve min-max ölçekleme ile veri normalizasyonu yöntemleri, veri önişlemede uygulanmıştır. İkinci fazda öznitelik çıkarımı gerçekleştirilerek, çıkarılan öznitelikler ilgili sınınflandırma metodlarına girdi olarak kullanılmıştır. Son fazda ise, doğrulama süreci gerçekleştirilmiştir. Doğrulama için doğruluk, duyarlılık, kesinlik ve F1 skoru metrikleri kullanılmıştır. Sınıflandırma algoritmaları parametreleri optimizasyonu, öznitelik sayısının değişimi ve meta sezgisel algoritmalardan İkili Parçacık Sürü Optimizasyonu (BPSO) kullanılarak, geliştirilen model metriklerinde iyileştirme çalışmaları gerçekleştirilmiştir. Gridsearch yöntemi ile RF parametreleri optimizasyonu sağlanarak, %68,6 doğruluk değeri elde edilmiştir. LR ile doğruluk, duyarlılık ve kesinlik değerleri olarak sırasıyla %67,11, %81,70 ve %69,16 sonuçları elde edilmiştir. SVM ile aynı değerler, %66,70, %83,07, %68,97 olarak elde edilmiştir. XGB ise %71,03 ile en yüksek doğruluk değerine sahiptir. Elektrik kaçak tespitinde makine öğrenmesi yöntemleri kullanılarak yapılan bu çalışma, bu alanda Türkiye'de yapılan ilk çalışmadır. Bu çalışma, Türkiye'de Dicle EDAŞ'ın Teknik Olmayan Kayıp Kaçak oranının düşürülmesine yardımcı olabilir. Aynı zamanda bu çalışmanın, makine öğrenmesi teknikleri ile teknik olmayan kaçakların tespiti üzerinde çalışan uzmanlar için, bilgi kaynağı olması beklenmektedir.

Electricity Theft is a big problem for Power Distribution Companies (PDCs) in Turkey. Specially, Dicle Electricity Distribution Area (Dicle EDAS), include southeast cities of Turkey like Diyarbakır, Şanlıurfa, Mardin, Siirt, Batman, Şırnak cities of Turkey, is a distribution area with the highest usage of electricity theft with %54,94. In this study, Non-Technical Loss (NTL) is tried to be detected by using machine learning-based six classification methods. For this purpose, five large and live system data, Customer Information System (CIS), Geographic Information System (GIS), Field Management System (FMS) and two different Automatic Meter Reading (AMR) systems, were used. In the first phase of the study, data cleaning with SQL techniques and normalization with Min-Max scaler is performed in data pre-processing. In the second phase, feature extraction is utilized and given as input to the related classification methods. In the last phase, the validation process is carried out. For validation, accuracy, recall and f1-score metrics are used. Metrics optimization of developed model are performed with parameter optimization of classification algorithms, by changing the number of features determined by using Binary Particle Swarm Optimization (BPSO) from meta-huristic algorithms. Providing RF parameter optimization with Grid Search method, accuracy was obtained with %68.6. The evaluation metrics of the LR method used in the model proposed in this study were obtained 67.11%, 81.70%, and 69.16%. Also, in SVM these values were obtained as 66.70%, 83.07%, and 68.97%. In addition, the best accuracy rate was obtained as 71.03% in XGB. This study using machine learning techniques for electiricity theft detection is the first study in this field in Turkey. This study may help reduce NTLs of Dicle EDAS in Turkey. At the same time, it is expected that this study will provide source of information for experts working on NTL detection with machine learning techniques as well.