Anomaly Detection and Prediction for Smart Meter Data in Electrical Power Distribution

Nüfus yoğunluğu ve ekonomik büyümenin etkisiyle enerji talebi hızla artmaktadır. Bu talep karşısında elektrik şebekeleri daha fazla zorlukla karşı karşıya gelmektedir. Enerji tüketiminin sıkı bir şekilde izlenmesi kontrol altında tutulması önem arz etmektedir. dağılımını düşündüğümüzde akıllı sayaçlar bu enerjinin kontrolünde kilometre taşı rolü oynamaktadır. tüketim ölçümlerinin yapıldığı sayaçlarda meydana gelebilecek herhangi kesintisi, hata veya yanlış ölçüm, dağıtım şirketlerinden son kullanıcılara kadar birçok tarafı etkilemektedir. sektöründeki tür anomalilerin tespiti için gerçekleştirilen veri analitiği çalışmaları büyük teknolojileri, sensörlerden sayaçlardan toplanan zaman serisi verilerini gerçek zamanlı toplu olarak analiz ederek verimliliği tasarrufu arttırmayı amaçlayan net eyleme geçirilebilir çıktılar üretmede önemli rol çalışmada, sayaçları ile ölçülen aylık değerlerine dayalı tüketimindeki olası tespit edilmesi farklı makine öğrenmesi yöntemleri kullanılarak gelecek tahmin amaçlanmıştır. Sonuç olarak; sektöründe genel aydınlatma üzerinde yapılan uygulamalarda İzolasyon Ormanı (Isolation Forest-IF), Yerel Aykırı Değer Faktörü (Local Outlier Factor-LOF) FbProphet algoritmalarının anomali tespitinde uç noktalarını başarılı edebildiği algoritmasının XGBoost algoritmasına göre sayaç verileri serileri tahminlemelerde ortalama iyi sonuç verdiği edilmiştir.