基于带注意力变分循环自编码器的智能电表数据异常检测
信号处理
2022-06-16 v1 数据库
机器学习
摘要
在能源系统数字化中，传感器和智能电表正越来越多地用于监测生产、运行和需求。基于智能电表数据的异常检测对于早期识别潜在风险和异常事件至关重要，这可作为及时采取适当行动和改善管理的参考。然而，来自能源系统的智能电表数据通常缺乏标签，包含噪声及无明显周期性的多种模式。同时，不同能源场景中异常的模糊定义和高度复杂的时间相关性给异常检测带来了巨大挑战。许多传统的无监督异常检测算法，如基于聚类或基于距离的模型，对噪声不鲁棒，且未能充分利用时间序列中的时间依赖以及多变量（传感器）间的其他依赖。本文提出一种基于带注意力机制变分循环自编码器的无监督异常检测方法。面对智能电表的“脏”数据，我们的方法在训练时预检测缺失值和全局异常以削弱其贡献。本文与基于VAE的基线方法及另外四种无监督学习方法进行了定量比较，证明了其有效性和优越性。本文进一步通过检测某工业供热厂供水温度异常的实证研究验证了所提方法。
引用
@article{arxiv.2206.07519,
title = {Smart Meter Data Anomaly Detection using Variational Recurrent Autoencoders with Attention},
author = {Wenjing Dai and Xiufeng Liu and Alfred Heller and Per Sieverts Nielsen},
journal= {arXiv preprint arXiv:2206.07519},
year = {2022}
}