基于生成对抗网络的发电站异常检测
机器学习
2023-10-03 v1 最优化与控制
机器学习
摘要
异常检测是一项关键任务，涉及识别偏离预定义模式的数据点，可用于欺诈检测及相关活动。多种技术被用于异常检测，但近期研究表明，具备辨别复杂数据模式能力的深度学习方法十分适合该任务。本研究探索使用生成对抗网络(GANs)进行发电站异常检测。本调查所用数据集来自某电信公司运营的发电站的燃料消耗记录。数据最初是因观察到公司基站处发电机组燃料消耗模式的异常而收集。数据集基于特定变量被划分为异常与正常数据点，其中64.88%为正常，35.12%为异常。使用随机森林分类器的特征重要性分析显示，每日运行时间具有最高相对重要性。训练并微调了一个GANs模型，分别在有和无数据增强下进行，旨在增大数据集规模以提升性能。生成器模型由五个使用tanh激活函数的全连接层组成，而判别器由六个全连接层组成，每层均集成丢弃层以防止过拟合。数据增强后，模型准确率达98.99%，而增强前为66.45%。这表明模型近乎完美地将数据点分类为正常与异常，且增强数据显著提升了GANs在异常检测中的性能。因此，本研究推荐使用GANs，尤其在使用大型数据集时，以实现有效异常检测。
引用
@article{arxiv.2310.00335,
title = {Anomaly Detection in Power Generation Plants with Generative Adversarial Networks},
author = {Marcellin Atemkeng and Toheeb Aduramomi Jimoh},
journal= {arXiv preprint arXiv:2310.00335},
year = {2023}
}