Теоретичні підходи до виявлення аномалій у показах лічильників у науковій літературі

Фуріхата, Д.В.; Вакалюк, Т.А.; Furikhata, D.V.; Vakalyuk, T.A.

Теоретичні підходи до виявлення аномалій у показах лічильників у науковій літературі

Фуріхата, Д.В.; Вакалюк, Т.А.; Furikhata, D.V.; Vakalyuk, T.A.

URI: https://eztuir.ztu.edu.ua/123456789/8969

Дата: 2025

Анотація:

Стаття присвячена дослідженню сучасних наукових підходів до виявлення аномалій у показах лічильників у контексті розвитку інтелектуальних енергетичних мереж. Актуальність дослідження зумовлена зростаючою потребою в ефективному моніторингу споживання електроенергії, особливо в умовах воєнного стану в Україні, коли енергосистема перебуває під постійними загрозами та потребує максимально ефективного управління ресурсами. У роботі проведено комплексний аналіз існуючих методів виявлення аномалій, які класифіковано на три основні категорії: точкові аномалії, що представляють окремі відхилення від типового патерна споживання; контекстуальні аномалії, які залежать від конкретного часового або просторового оточення; та колективні аномалії, що виникають у групах взаємопов’язаних даних. Дослідження демонструє переваги децентралізованих підходів до обробки даних, зокрема використання технологій edge computing та fog computing, які дозволяють здійснювати аналіз інформації безпосередньо на пристроях обліку або в їх безпосередній близькості. Порівняльний аналіз централізованих та децентралізованих методів показує, що гібридні системи, які поєднують переваги обох підходів, демонструють найкращі результати у практичних застосуваннях. Особливу увагу приділено аналізу ефективності різних алгоритмів машинного навчання для виявлення аномалій. Розглянуто статистичні методи, які базуються на ймовірнісних моделях та дозволяють відносно точно визначати межі нормальності за умови достатньої кількості історичних даних. Проаналізовано класифікаційні методи контрольованого навчання, що потребують попередньо маркованих даних для навчання моделей, але забезпечують високу точність виявлення відомих типів аномалій. Розглянуто перспективи подальшого розвитку технологій виявлення аномалій у контексті інтеграції з IoT-пристроями, розвитку технологій та впровадження більш складних алгоритмів глибокого навчання.

Анотація (англ.):

The article is devoted to the study of modern scientific approaches to detecting anomalies in meter readings in the context of the development of intelligent energy networks. The study’s relevance is due to the growing need for effective monitoring of electricity consumption, especially in the context of martial law in Ukraine, when the energy system is under constant threat and requires the most efficient management of resources. The paper provides a comprehensive analysis of existing methods for detecting anomalies, which are classified into three main categories: point anomalies, which represent individual deviations from the typical consumption pattern; contextual anomalies, which depend on the specific temporal or spatial environment; and collective anomalies, which arise in groups of interrelated data. The study demonstrates the advantages of decentralised approaches to data processing, particularly the use of edge computing and fog computing technologies, which allow information to be analysed directly on metering devices or in their immediate vicinity. A comparative analysis of centralised and decentralised methods shows that hybrid systems, which combine the advantages of both approaches, demonstrate the best results in practical applications. Particular attention is paid to analysing the effectiveness of various machine learning algorithms for anomaly detection. Statistical methods based on probabilistic models are considered, which allow relatively accurate determination of normal limits provided sufficient historical data is available. Classification methods of supervised learning are analysed, which require pre-labelled data for model training but provide high accuracy in detecting known types of anomalies. The prospects for further development of anomaly detection technologies in the context of integrating IoT devices, technology development and implementing more complex deep learning algorithms are considered.

Показати повний опис матеріалу