論文の概要: Lightweight LSTM Model for Energy Theft Detection via Input Data Reduction

• arxiv url: http://arxiv.org/abs/2507.02872v1
• Date: Sat, 14 Jun 2025 14:40:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-13 12:05:57.477867
• Title: Lightweight LSTM Model for Energy Theft Detection via Input Data Reduction
• Title（参考訳）: 入力データ削減によるエネルギー盗難検出のための軽量LSTMモデル
• Authors: Caylum Collier, Krishnendu Guha,
• Abstract要約: 本稿では,プリフィルタとして機能する軽量検出ユニット(watchdog mechanism)を提案する。 LSTMモデルに供給される入力量を削減し、エネルギー盗難の可能性がより高いインスタンスに制限する。 その結果、消費電力の減少は64%を超え、検出精度は最小限に抑えられ、リコールは一貫して高いことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the increasing integration of smart meters in electrical grids worldwide, detecting energy theft has become a critical and ongoing challenge. Artificial intelligence (AI)-based models have demonstrated strong performance in identifying fraudulent consumption patterns; however, previous works exploring the use of machine learning solutions for this problem demand high computational and energy costs, limiting their practicality -- particularly in low-theft scenarios where continuous inference can result in unnecessary energy usage. This paper proposes a lightweight detection unit, or watchdog mechanism, designed to act as a pre-filter that determines when to activate a long short-term memory (LSTM) model. This mechanism reduces the volume of input fed to the LSTM model, limiting it to instances that are more likely to involve energy theft thereby preserving detection accuracy while substantially reducing energy consumption associated with continuous model execution. The proposed system was evaluated through simulations across six scenarios with varying theft severity and number of active thieves. Results indicate a power consumption reduction exceeding 64\%, with minimal loss in detection accuracy and consistently high recall. These findings support the feasibility of a more energy-efficient and scalable approach to energy theft detection in smart grids. In contrast to prior work that increases model complexity to achieve marginal accuracy gains, this study emphasizes practical deployment considerations such as inference efficiency and system scalability. The results highlight the potential for deploying sustainable, AI-assisted monitoring systems within modern smart grid infrastructures.
• Abstract（参考訳）: 世界中の電力網にスマートメーターが組み込まれているため、エネルギー盗難の検出は重要かつ進行中の課題となっている。 人工知能(AI)ベースのモデルでは、不正な消費パターンを特定する上で、強力なパフォーマンスを示しているが、この問題に対する機械学習ソリューションの使用を探求する以前の研究は、計算とエネルギーのコストを高く要求し、その実用性を制限する。 本稿では,長期記憶モデル(LSTM)をいつ起動するかを判断する事前フィルタとして機能するように設計された,軽量な検出ユニット(watchdog mechanism)を提案する。 この機構はLSTMモデルに供給される入力量を削減し、エネルギー盗難の可能性がより高いインスタンスに制限し、連続モデル実行に伴うエネルギー消費を大幅に削減すると共に、検出精度を維持する。 提案システムは, 盗難の程度と盗難件数が異なる6つのシナリオを対象としたシミュレーションにより評価した。 その結果,64\%を超える消費電力削減が可能であり,検出精度の低下が最小限であり,リコール率も常に高いことがわかった。 これらの知見は、スマートグリッドにおけるエネルギー盗難検出に対する、よりエネルギー効率が高くスケーラブルなアプローチの実現性を支持する。 本研究は,モデル複雑性を増大させて限界精度を向上する先行研究とは対照的に,推論効率やシステム拡張性といった実用的デプロイメントの考察を強調した。 その結果は、最新のスマートグリッドインフラストラクチャ内に、持続可能なAI支援監視システムをデプロイする可能性を強調している。

関連論文リスト

• Smart Energy Guardian: A Hybrid Deep Learning Model for Detecting Fraudulent PV Generation [13.146806294562474]
  本研究では,住宅用太陽光発電における不正行為を正確に識別する効率的な電気盗難検出手法を提案する。 CNN、Long Short-Term Memory(LSTM)、Transformerを組み合わせたハイブリッドディープラーニングモデルでは、短期的および長期的両方の時間的依存関係の取得に優れています。
  論文  参考訳（メタデータ） (2025-05-24T15:47:00Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• PINN-DT: Optimizing Energy Consumption in Smart Building Using Hybrid Physics-Informed Neural Networks and Digital Twin Framework with Blockchain Security [0.0]
  本研究は,予測エネルギー最適化を強化するための多面的手法を提案する。 このモデルは、スマートメーターエネルギー消費データ、再生可能エネルギー出力、動的価格設定、IoTデバイスから収集されたユーザの好みなど、包括的なデータセットを使用してトレーニングされ、検証された。 提案手法は平均絶対誤差(MAE)が0.237 kWh、ルート平均平方誤差(RMSE)が0.298 kWh、R2が0.978、データ分散の97.8%で予測性能に優れていた。
  論文  参考訳（メタデータ） (2025-03-01T03:37:09Z)
• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Energy-Aware Dynamic Neural Inference [39.04688735618206]
  エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。 環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。 我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
  論文  参考訳（メタデータ） (2024-11-04T16:51:22Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• EnsembleNTLDetect: An Intelligent Framework for Electricity Theft Detection in Smart Grid [0.0]
  本稿では,堅牢でスケーラブルな電気盗難検出フレームワークであるEnsembleNTLDetectを紹介する。 一連の効率的なデータ前処理技術と機械学習モデルを使って、電気盗難を正確に検出する。 Conditional Generative Adversarial Network (CTGAN) は、堅牢なトレーニングを保証するためにデータセットを増強するために使用される。
  論文  参考訳（メタデータ） (2021-10-09T08:19:03Z)
• SearchFromFree: Adversarial Measurements for Machine Learning-based Energy Theft Detection [1.5791732557395552]
  エネルギー盗難は世界中の電力会社に大きな経済的損失をもたらす。 本研究では,エネルギー盗難検出のための優れたMLモデルが,敵攻撃に対して極めて脆弱であることを示す。
  論文  参考訳（メタデータ） (2020-06-02T19:25:38Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。