論文の概要: Towards Intelligent Energy Security: A Unified Spatio-Temporal and Graph Learning Framework for Scalable Electricity Theft Detection in Smart Grids

• arxiv url: http://arxiv.org/abs/2604.03344v1
• Date: Fri, 03 Apr 2026 09:57:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.529242
• Title: Towards Intelligent Energy Security: A Unified Spatio-Temporal and Graph Learning Framework for Scalable Electricity Theft Detection in Smart Grids
• Title（参考訳）: インテリジェントエネルギーセキュリティを目指して:スマートグリッドにおけるスケーラブルな電力盗難検出のための統合時空間グラフ学習フレームワーク
• Authors: AbdulQoyum A. Olowookere, Usman A. Oguntola, Ebenezer. Leke Odekanle, Maridiyah A. Madehin, Aisha A. Adesope,
• Abstract要約: 本研究では、電気盗難検知とインテリジェントエネルギーモニタリングのための統合人工知能フレームワークであるSmartGuard Energy Intelligence System (SGEIS)を紹介する。 提案システムは,教師付き機械学習,深層学習に基づく時系列モデリング,非侵入負荷モニタリング(NILM)とグラフベース学習を組み合わせて,時間的および空間的消費パターンを抽出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electricity theft and non-technical losses (NTLs) remain critical challenges in modern smart grids, causing significant economic losses and compromising grid reliability. This study introduces the SmartGuard Energy Intelligence System (SGEIS), an integrated artificial intelligence framework for electricity theft detection and intelligent energy monitoring. The proposed system combines supervised machine learning, deep learning-based time-series modeling, Non-Intrusive Load Monitoring (NILM), and graph-based learning to capture both temporal and spatial consumption patterns. A comprehensive data processing pipeline is developed, incorporating feature engineering, multi-scale temporal analysis, and rule-based anomaly labeling. Deep learning models, including Long Short-Term Memory (LSTM), Temporal Convolutional Networks (TCN), and Autoencoders, are employed to detect abnormal usage patterns. In parallel, ensemble learning methods such as Random Forest, Gradient Boosting, XGBoost, and LightGBM are utilized for classification. To model grid topology and spatial dependencies, Graph Neural Networks (GNNs) are applied to identify correlated anomalies across interconnected nodes. The NILM module enhances interpretability by disaggregating appliance-level consumption from aggregate signals. Experimental results demonstrate strong performance, with Gradient Boosting achieving a ROC-AUC of 0.894, while graph-based models attain over 96% accuracy in identifying high-risk nodes. The hybrid framework improves detection robustness by integrating temporal, statistical, and spatial intelligence. Overall, SGEIS provides a scalable and practical solution for electricity theft detection, offering high accuracy, improved interpretability, and strong potential for real-world smart grid deployment.
• Abstract（参考訳）: 電気的盗難と非技術的損失(NTL)は、現代のスマートグリッドにおいて重要な課題であり、経済的損失とグリッドの信頼性を損なう。 本研究では、電気盗難検知とインテリジェントエネルギーモニタリングのための統合人工知能フレームワークであるSmartGuard Energy Intelligence System (SGEIS)を紹介する。 提案システムは,教師付き機械学習,深層学習に基づく時系列モデリング,非侵入負荷モニタリング(NILM)とグラフベース学習を組み合わせて,時間的および空間的消費パターンを抽出する。 機能工学、マルチスケールの時間解析、ルールベースの異常ラベリングを取り入れた包括的データ処理パイプラインが開発された。 長期記憶(LSTM)、時間畳み込みネットワーク(TCN)、オートエンコーダなどのディープラーニングモデルを用いて、異常な使用パターンを検出する。 並行して、ランダムフォレスト、グラディエントブースティング、XGBoost、LightGBMといったアンサンブル学習手法が分類に利用されている。 グリッドトポロジと空間依存性をモデル化するために、グラフニューラルネットワーク(GNN)を用いて相互接続ノード間の相関異常を同定する。 NILMモジュールは、アプライアンスレベルの消費を集約信号から分離することにより、解釈可能性を高める。 実験の結果,Gradient Boosting は 0.894 のROC-AUC を実現し,グラフベースモデルでは高リスクノードの同定に 96% 以上の精度が得られた。 ハイブリッドフレームワークは、時間的、統計的、空間的知性を統合することにより、検出の堅牢性を改善する。 全体として、SGEISは、電気盗難検知のためのスケーラブルで実用的なソリューションを提供し、高い精度、解釈可能性の改善、そして現実世界のスマートグリッド展開の強力な可能性を提供する。

関連論文リスト

• Spatio-Temporal Grid Intelligence: A Hybrid Graph Neural Network and LSTM Framework for Robust Electricity Theft Detection [0.0]
  電力盗難は世界的な電力システムに永続的な脅威をもたらし、重大な財政赤字を招き、グリッドの安定性を損なう。 本研究では、時間異常検出、監視機械学習、グラフニューラルネットワーク(GNN)を融合したAIシリーズグリッドインテリジェンスフレームワークを導入し、不均衡なデータセットの高精度な盗難を識別する。
  論文  参考訳（メタデータ） (2026-03-20T20:34:18Z)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• A Hybrid CNN-LSTM Deep Learning Model for Intrusion Detection in Smart Grid [0.0]
  本研究は、スマートグリッドのサイバーセキュリティ向上を目的とした、ハイブリッドなディープラーニングベースの侵入検知システム(IDS)を提案する。 その結果、精度、精度、リコール、F1スコアが大幅に改善され、検出精度は99.70%となった。
  論文  参考訳（メタデータ） (2025-09-08T20:41:31Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• Neural Network-Based Detection and Multi-Class Classification of FDI Attacks in Smart Grid Home Energy Systems [0.0]
  False Data Injection Attacks (FDIA)は、スマートグリッドインフラストラクチャに重大な脅威をもたらす。 本稿では、住宅エネルギーデータを用いたFDIAの検出と分類のための機械学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-09T18:27:31Z)
• 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)
• Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
  本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。 我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
  論文  参考訳（メタデータ） (2024-03-11T17:28:46Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• 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)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。