面向多能源异常检测的关联驱动多层次多模态学习
机器学习
2023-05-05 v1 信号处理
摘要
高级量测体系（AMI）已广泛用作智能能耗测量系统。电力是 AMI 可采集的代表性能源；现有多数异常能耗检测研究聚焦于单一能源即电力。近来，水、燃气与供暖等其他能源也得到积极采集。因此，有必要开发一种跨多能源的统一异常检测方法；然而，针对该问题的研究努力鲜有开展。此问题的内在困难源于异常通常未被标注，且现有异常定义仅依赖单个能源。本文首先提出一种不仅考虑单个能源、还考虑其相互关联的异常定义方法。进而，我们提出一种新的关联驱动多层次多模态学习模型用于多能源异常检测。该模型的显著特性是基于能源间关联强度在多层次上融合多种能源。此外，我们考虑相关与非相关源，将所提模型推广以集成任意新能源并进一步提升性能。通过在由三至五种能源组成的真实数据集上的大量实验，我们证明所提模型明显优于现有多模态学习与近期时间序列异常检测模型，并观察到随着更多相关或非相关能源的集成，模型性能进一步提升。
引用
@article{arxiv.2305.02323,
title = {Correlation-Driven Multi-Level Multimodal Learning for Anomaly Detection on Multiple Energy Sources},
author = {Taehee Kim and Hyuk-Yoon Kwon},
journal= {arXiv preprint arXiv:2305.02323},
year = {2023}
}