Die Studie präsentiert einen dynamischen Anomalieerkennungsrahmen, der Convolutional Neural Networks (CNN) mit Autoencoder-Modellen integriert. Der Ansatz erfasst räumliche Muster und Korrelationen in Verbrauchszeitreihen, was die Genauigkeit der Anomalieerkennung verbessert. Das Modell verwendet Rekonstruktionsfehler und Mahalanobis-Distanz, um Datenmuster und Anomalien zu verstehen. Gleitende Durchschnitte glätten verrauschte Daten und etablieren dynamische Schwellenwerte, was eine Echtzeitanomalieerkennung ermöglicht. Der Rahmen erkannte erfolgreich 622 Anomalien in ungesehenen Testdaten und liefert wertvolle Erkenntnisse für die Überwachung und das Management des Energieverbrauchs.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Sarit Maitra... at arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.04311.pdfDeeper Inquiries