May, 2023

多能源异常检测的相关性驱动多层多模态学习

PDF
TL;DR提出了一种对多种能源进行异常检测的、基于相关性的多层多模态学习模型，并经过实验验证其在性能方面的改进，特别是在加入更多相关或非相关的能源时。
advanced metering infrastructureanomaly detectionmulti-energy sourcescorrelation-driven multi-level multimodal learningperformance improvement
发现论文，激发创造
  • 基于数据挖掘的高级计量系统集成动态异常检测方法

    该研究论文介绍了一个建筑运营中的异常检测系统，包括监测、早期发现、以及基于监测仪的实时异常检测方法。通过结合有监督学习和无监督学习算法，利用动态阈值实现对异常数据的实时检测，并通过真实数据的实证研究验证其有效性，这对于建筑运营中的决策科学和视觉分析有重要意义。

    May, 2024

  • 基于动态阈值的卷积自编码器实时异常检测

    创新的混合建模方法结合统计学和卷积自编码器，利用动态阈值（基于马氏距离和移动平均）检测实时智能计量系统中的异常，从而提供早期预警，以预防灾难并在经济上受益于组织和消费者。

    Apr, 2024

  • LEAD1.0 商业建筑能耗异常检测大规模标注数据集

    该研究致力于发布一个有注释的 ASHRAE Great Energy Predictor III 数据集版本，其中包含 1,413 个智能电表时间序列，为大规模异常检测的研究工作提供支持，并将八种先进的异常检测方法的性能与数据集进行了比较。

    Mar, 2022

  • 加强注意力的自编码器用于建筑能耗异常检测

    研究聚焦于利用机器学习技术，使用新颖的关注机制来发现采集到的数据中建筑物能耗方面的异常情况，并进一步通过对真实数据集的建模来验证该方法的有效性。

    Mar, 2023

  • 基于混合 AI 的相量测量单元数据异常检测模型

    本研究旨在开发基于混合算法的深度学习模型，用于检测 phasor measurement unit 数据中的异常，数据集基于实际电网测量数据，并探讨了异常数据产生的影响和缓解方法。

    Sep, 2022

  • 一种用于多模态无线传感器网络数据流的动态图神经网络异常检测新方法

    本研究提出了一个新颖的多模态无线传感器网络数据流异常检测模型，通过三个图神经网络分别提取 WSN 数据流的时空特征和形式化特征，并结合节点的空间位置关系，从而大大提高了鲁棒性和 F1 得分。

    Feb, 2022

  • 基于深度学习的智能电网网络攻击检测模型

    通过使用人工智能技术，本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法，以阻止监控控制和数据采集系统（SCADA）上接收的负载数据的数据完整性网络攻击（DIAs），并使用回归模型进行负载数据的预测，以及通过无监督学习方法对处理后的数据进行聚类，以实现最佳性能。实验结果表明，EE-BiLSTM 方法比其他两种方法更稳健和准确。

    Dec, 2023

  • 基于注意力机制的频率多任务学习用于电力系统故障检测

    本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

    Sep, 2020

  • 基于随机超参数调整的 AMI 网络深度循环电力盗窃检测

    该论文提出了一种基于深度循环神经网络的电力盗窃检测器，该模型利用客户用电的时间序列特性实现门控循环单元（GRU）循环神经网络，并采用随机搜索分析进行超参数适当微调，实验结果表明该检测器相比现有技术具有更好的性能。

    Sep, 2018

  • 机器学习检测网络攻击并区分电力系统干扰类型

    基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

    Jul, 2023