АНАЛІЗ МЕТОДІВ ВИЯВЛЕННЯ АНОМАЛІЙ У ДАНИХ ПРО СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ
Ключові слова:
виявлення аномалій, енергоспоживання, статистичні дані, машинне навчання, кластеризація, методи
Анотація
Сучасні люди постійно шукають нові способи використання енергії для покращення свого життя, тому попит на неї зростає. У більшості випадків компаніям і галузям важко контролювати всі свої пристрої одночасно, що може призвести до втрати електроенергії в будь-який час. В результаті операційні витрати будуть більшими, ніж необхідно. Крім того, втрата електроенергії сприяє глобальному потеплінню через вивільнення вуглецю, коли енергія генерується шляхом спалювання вугілля, газу та нафти. Отже, потрібні рішення для вирішення цих проблем. Метою даної роботи є аналіз існуючих методів виявлення аномалій в даних задля вирішення проблеми надмірного споживання електроенергії та попередження про критичні значення в показниках електроенергії, споживаної різноманітними пристроями та електрообладнанням. Об’єктом дослідження є процес виявлення нетипових значень або значних відхилень в показниках споживання електроенергії за такими параметрами, як: напруга, сила, частота струму, потужність. Предметом дослідження є моделі та методи виявлення аномалій в даних. Результати. Після ретельного аналізу кожного з перелічених методів виявлення аномалій відкриваються нові можливості для вирішення проблеми енергоспоживання. Наприклад: об’єднання декількох методів в один; розробка моделі машинного навчання на основі одного або декількох методів, тренування на тестових даних і в перспективі оброблення реальних даних про енергоспоживання з метою визначення нетипових значень, з можливістю фіксування дати та часу виникнення аномалій, а також побудовою різноманітних графіків на основі цієї інформації. Висновок. Завдяки розглянутим методам виявлення аномалій можна запобігти великому споживанню електроенергії для досягнення енергозбереження, нагадувати користувачам про визначення несправних електроприладів або змінювати неправильні схеми споживання електроенергії, знижувати витрати користувачів на енергоспоживання та сприяти обізнаності щодо безпеки споживання електроенергії.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Berardi U. (2015), “Building energy consumption in US, EU, and BRIC countries”, Department of Architectural Science, Faculty of Engineering and Architectural Science, № 118, P. 128-136.
2. Jia Yan Lim, Wooi-Nee Tan, Yi-Fei Tan (2022), “Anomalous energy consumption detection using a Naïve Bayes approach”, Faculty of Engineering, Multimedia University, Cyberjaya, Selangor, 63100, Malaysia, № 1, P. 4.
3. Zhang J., Zhang H., Ding S., Znang X. (2021), “Power Consumption Predicting and Anomaly Detection Based on Transformer and K-Means”, College of Mathematics and Inf. Technology, Hebei University. Vol. 9, Article № 779587, P. 3-7.
4. Longji Feng, Shu Xu, Linghao Zhang, Jing Wu, Jidong Zhang, Chengbo Chu, Zhenyu Wang and Haoyang Shi (2020), “Anomaly detection for electricity consumption in cloud computing: framework, methods, applications, and challenges”, Wireless Com Network, № 194, P. 2-10, doi: https://doi.org/10.1186/s13638-020-01807-0
5. Liu X., Iftikhar N., Nielsen P.S., Heller A. (2016), “Online Anomaly Energy Consumption Detection Using Lambda Architecture”, Big Data Analytics and Knowledge Discovery, vol 9829, P. 193-209, doi: https://doi.org/10.1007/978-3-319-43946-4_13
6. Yasirli Amril, Amanda Lailatul Fadhilah, Fatmawati, Novi Setianil, Septia Ranil (2016), “Analysis Clustering of Electricity Usage Profile Using K-Means Algorithm”, IOP Conf. Series. № 105, P.2-7, doi: 10.1088/1757-899X/105/1/012020
7. Lamrini B., Gjini A., Daudin S., Armando F., Pratmarty P., Travé-Massuyès L. (2018) “Anomaly Detection Using Similarity-based One-Class SVM for Network Traffic Characterization”, Un-té de Toulouse, CNRS, Toulouse, France., № 1, P. 2-4.
8. Auskalnis J., Paulauskas N., Baskys A. (2018), “Application of Local Outlier Factor Algorithm to Detect Anomalies in Computer Network”, Elektronika I Elektrotechnika, 24(3), P. 96-99, doi: https://doi.org/10.5755/j01.eie.24.3.20972
9. Nasraoui O., Leon E., Krishnapuram R. (2005), “Unsupervised Niche Clustering: Discovering an Unknown Number of Clusters in Noisy Data Sets”., Evolutionary Computation in Data Mining, Springer Berlin Heidelberg. Volume 1, P. 2-30.
10. Lizabeth Leon., Olfa Nasraoui., Jonatan Gomez. (2007), “Anomaly detection based on unsupervised niche clustering with application to network intrusion detection”, Proc. of the IEEE Conference on Evolutionary Computation. Volume 1, P. 502.
11. Chandola V., Banerjee A., Kumar V. (2009), “Anomaly detection: A survey”, ACM Computing Surveys, № 41, P. 1-58.
12. Melnyk I., Matthews B., Valizadegan H., Banerjee A., Oza N. (2016), “Vector Autoregressive Model-Based Anomaly Detection in Aviation Systems”, JAIS Aerospace Information Systems., 13, P. 161-173.
2. Jia Yan Lim, Wooi-Nee Tan, Yi-Fei Tan (2022), “Anomalous energy consumption detection using a Naïve Bayes approach”, Faculty of Engineering, Multimedia University, Cyberjaya, Selangor, 63100, Malaysia, № 1, P. 4.
3. Zhang J., Zhang H., Ding S., Znang X. (2021), “Power Consumption Predicting and Anomaly Detection Based on Transformer and K-Means”, College of Mathematics and Inf. Technology, Hebei University. Vol. 9, Article № 779587, P. 3-7.
4. Longji Feng, Shu Xu, Linghao Zhang, Jing Wu, Jidong Zhang, Chengbo Chu, Zhenyu Wang and Haoyang Shi (2020), “Anomaly detection for electricity consumption in cloud computing: framework, methods, applications, and challenges”, Wireless Com Network, № 194, P. 2-10, doi: https://doi.org/10.1186/s13638-020-01807-0
5. Liu X., Iftikhar N., Nielsen P.S., Heller A. (2016), “Online Anomaly Energy Consumption Detection Using Lambda Architecture”, Big Data Analytics and Knowledge Discovery, vol 9829, P. 193-209, doi: https://doi.org/10.1007/978-3-319-43946-4_13
6. Yasirli Amril, Amanda Lailatul Fadhilah, Fatmawati, Novi Setianil, Septia Ranil (2016), “Analysis Clustering of Electricity Usage Profile Using K-Means Algorithm”, IOP Conf. Series. № 105, P.2-7, doi: 10.1088/1757-899X/105/1/012020
7. Lamrini B., Gjini A., Daudin S., Armando F., Pratmarty P., Travé-Massuyès L. (2018) “Anomaly Detection Using Similarity-based One-Class SVM for Network Traffic Characterization”, Un-té de Toulouse, CNRS, Toulouse, France., № 1, P. 2-4.
8. Auskalnis J., Paulauskas N., Baskys A. (2018), “Application of Local Outlier Factor Algorithm to Detect Anomalies in Computer Network”, Elektronika I Elektrotechnika, 24(3), P. 96-99, doi: https://doi.org/10.5755/j01.eie.24.3.20972
9. Nasraoui O., Leon E., Krishnapuram R. (2005), “Unsupervised Niche Clustering: Discovering an Unknown Number of Clusters in Noisy Data Sets”., Evolutionary Computation in Data Mining, Springer Berlin Heidelberg. Volume 1, P. 2-30.
10. Lizabeth Leon., Olfa Nasraoui., Jonatan Gomez. (2007), “Anomaly detection based on unsupervised niche clustering with application to network intrusion detection”, Proc. of the IEEE Conference on Evolutionary Computation. Volume 1, P. 502.
11. Chandola V., Banerjee A., Kumar V. (2009), “Anomaly detection: A survey”, ACM Computing Surveys, № 41, P. 1-58.
12. Melnyk I., Matthews B., Valizadegan H., Banerjee A., Oza N. (2016), “Vector Autoregressive Model-Based Anomaly Detection in Aviation Systems”, JAIS Aerospace Information Systems., 13, P. 161-173.
Опубліковано
2024-02-09
Як цитувати
Bratyshchenko Mykyta Аналіз методів виявлення аномалій у даних про споживання електроенергії / Mykyta Bratyshchenko, Tetiana Filimonchuk, Halyna Maistrenko, Vitalii Sitnikov // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2024. – Т. 1 (75). – С. 45-49. – doi:https://doi.org/10.26906/SUNZ.2024.1.045.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
