基于数据挖掘的动态异常检测方法：集成至先进计量系统
机器学习
2024-05-07 v1
摘要
建筑运行耗能占总能耗的30%，贡献全球电力相关排放的26%。因此，在住宅和商业建筑的表计层面进行监控和早期异常检测至关重要。本文研究了监督和非监督方法，引入了一个动态异常检测系统。该系统引入了监督的 Light Gradient Boosting 机器学习模型和基于动态阈值的非监督自编码器。该系统旨在在表计层面提供实时异常检测。 proposed 动态系统基于马哈拉逐距离和移动平均数，采用动态阈值。这种方法使系统能够适应随时间变化的数据分布。该系统的有效性通过来自智能表计系统收集的真实电力消耗数据进行评估。这种实证测试确保了系统在真实世界条件下的性能。通过检测异常数据运动并提供早期警报，所提出的系统在可视化分析和决策科学方面发挥了重要作用。早期检测异常可实现及时故障排除，防止财务损失和潜在灾难（如火灾）。
引用
@article{arxiv.2405.02574,
title = {A Data Mining-Based Dynamical Anomaly Detection Method for Integrating with an Advance Metering System},
author = {Sarit Maitra},
journal= {arXiv preprint arXiv:2405.02574},
year = {2024}
}