基于 SNN 增强的城市配热异常检测：SHEDAD 方法
机器学习
2024-08-28 v1 人工智能
摘要
配热（DH）系统是城市供暖的高效能源源。然而，尽管自动化故障检测与诊断（FDD）方面取得了进展，DH 仍面临对影响效率的运行故障的挑战。本研究引入了基于 SNN 增强的城市配热异常检测（SHEDAD）方法，旨在逼近 DH 网络拓扑结构，实现无需披露敏感信息（如配电站位置）的本地化异常检测。该方法利用多自适应 k 近邻（k-NN）图以改进初始邻域创建。此外，它引入了一种合并技术，可减少噪声并消除平凡边缘。我们使用中位数绝对偏差（MAD）和修改 z 分数来标记异常配电站。结果表明，SHEDAD 优于传统聚类方法，实现了显著降低的簇内方差和距离。此外，SHEDAD 有效隔离并识别了两种不同的异常类别：供给温度和配电站性能。我们识别了 30 个异常配电站，灵敏度约为 65%，特异度约为 97%。通过聚焦于网络中这一表现不佳的子集，SHEDAD 实现了更有针对性和有效的维护干预，从而可降低能源用耗并优化网络性能。
引用
@article{arxiv.2408.14499,
title = {SHEDAD: SNN-Enhanced District Heating Anomaly Detection for Urban Substations},
author = {Jonne van Dreven and Abbas Cheddad and Sadi Alawadi and Ahmad Nauman Ghazi and Jad Al Koussa and Dirk Vanhoudt},
journal= {arXiv preprint arXiv:2408.14499},
year = {2024}
}
备注
12 pages, 5 figures, FMEC2024