Детальная информация

Объект исследования — данные о потреблении электроэнергии, получаемые от интеллектуальных систем учёта (ИСУЭЭ) распределительных сетей. Цель работы — разработка прототипа микросервиса для автоматизированного выявления несанкционированного потребления электроэнергии на основе методов машинного обучения. Проведён обзор нормативно-правовой базы, классификация методов выявления несанкционированного потребления и анализ коммерческих решений на российском и мировом рынках. Задача формализована как бинарная классификация временных рядов потребления с существенным дисбалансом классов. Разработан четырёхуровневый конвейер признаков (7–19 признаков). На открытом датасете SGCC (42 372 прибора учёта, КНР) проведён сравнительный эксперимент шести методов: логистической регрессии, KNN, Random Forest, XGBoost, MLP и Isolation Forest. Лучший одиночный метод — XGBoost — достиг PR-AUC = 0,342 и Precision@100 = 0,59, что в 7 раз выше случайного обхода. Мультимодальный ансамбль XGBoost(признаки) + MLP(временной ряд) обеспечил PR-AUC = 0,397 (+15 %) и Precision@100 = 0,67. На основе результатов экспериментов реализован прототип микросервиса (Python, FastAPI, PostgreSQL) с REST API из 17 эндпоинтов, модулем обнаружения хищений на трёх взаимозаменяемых движках и покрытием 66 автоматизированными тестами. Интеграция с корпоративными системами ПАО «Россети Северо-Запад» реализована в виде заглушек с определённым контрактом интерфейса.

The object of research is electricity consumption data obtained from advanced metering infrastructure (AMI) of distribution networks. The aim of the work is to develop a prototype microservice for automated detection of unauthorized electricity consumption based on machine learning methods. The work reviews the regulatory framework, classifies detection methods, and analyzes commercial solutions in the Russian and global markets. The task is formalized as a binary classification problem on consumption time series with significant class imbalance. A four-level feature engineering pipeline (7–19 features) is developed. A comparative experiment with six methods — logistic regression, KNN, Random Forest, XGBoost, MLP, and Isolation Forest — is conducted on the SGCC dataset (42,372 meters, China). The best single model, XGBoost, achieves PR-AUC = 0.342 and Precision@100 = 0.59, which is 7 times higher than the random baseline. The multimodal ensemble XGBoost (features) + MLP (time series) achieves PR-AUC = 0.397 (+15%) and Precision@100 = 0.67. Based on the experimental results, a microservice prototype is implemented using Python, FastAPI, and PostgreSQL, providing a REST API with 17 endpoints, a theft detection module with three interchangeable engines, and 66 automated tests. Integration with the corporate systems of PJSC Rosseti North-West is implemented as stubs with a defined interface contract.

• ВВЕДЕНИЕ
• Обзор методов выявления несанкционированного потребления (хищения)
  • Терминология
  • Масштаб проблемы в РФ и в мире
  • Нормативно-правовая база
  • Учет коммерческого потребления электроэнергии: в России и в мире
  • Существующие методы выявления несанкционированного потребления электроэнергии
  • Коммерческие решения
  • Актуальность автоматизации выявления хищений
  • Вывод по обзору
• Анализ и реализация методов
  • Постановка задачи
  • Данные
  • Предобработка и формирование признаков
  • Исследуемые методы
  • Эксперименты
  • Выбор метода для микросервиса
• Проектирование и реализация микросервиса
  • Бизнес-требования
  • Архитектура системы
  • Модель данных
  • REST API
  • Модуль обнаружения хищений
  • Интеграция с корпоративными системами
  • Развертывание
  • Тестирование
  • Выводы по главе
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• Технологический стек микросервиса
• Полный перечень эндпоинтов REST API
• API-маршрут запуска анализа
• Ансамблевый многомодальный движок
• Предобработка временных рядов приборов учёта