Scalable prediction-based online anomaly detection for smart meter data

امروزه دستگاه های هوشمند به طور گسترده ای در بخش انرژی برای ثبت مصرف انرژی در زمان واقعی استفاده می شود. مقادیر زیادی داده های هوشمند داده شده برای اهداف مختلف تحلیل مورد استفاده قرار گرفته است. تشخیص آنومالی مشکل بزرگ داده، یعنی تشخیص وقایع غیر عادی یا رفتارهای غیر معمول را افزایش می دهد. با این حال، کمبود سیستم های آنلاین مناسب وجود دارد که می تواند به طور موثر و کارآمد شناسایی آنومالی را برای داده های هوشمند هوشمند بزرگ انجام دهد. این مقاله یک سیستم لامبدا برای تشخیص الگوهای مصرف غیرمعمول ارائه می دهد که هدف آن کمک به تصمیم گیری برای مدیریت انرژی هوشمند است. سیستم پیشنهادی با استفاده از یک روش تشخیص مبتنی بر پیش بینی، همراه با یک معماری جدید لامبدا برای به روز رسانی مدل تکراری و تشخیص آنومالی در زمان واقعی است. این مقاله سیستم را با استفاده از مجموعه داده های دیتا واقعی و یک مجموعه داده های مصنوعی بزرگ ارزیابی می کند و با سه خط پایه مقایسه می کند. نتایج نشان می دهد که سیستم پیشنهادی دارای مقیاس پذیری خوب است و دارای مزیت رقابتی نسبت به دیگران در تشخیص آنومالی است.