Теоретичні підходи до виявлення аномалій у показах лічильників у науковій літературі
DOI:
https://doi.org/10.26642/ten-2025-1(95)-325-331Ключові слова:
виявлення аномалій, лічильники, машинне навчання, edge computing, децентралізована обробка даних, статистичний аналіз, IoTАнотація
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.
Посилання
Baldacci, L., Golfarelli, M., Lombardi, D. and Sami, F. (2016), «Natural Gas Consumption Forecasting for Anomaly Detection», Expert Systems with Applications, No. 62, doi: 10.1016/j.eswa.2016.06.013.
Banad, C. (2019), «Electricity Consumption Anomaly Detection Model Using Deep Learning», [Online], available at: http://norma.ncirl.ie/3848/
Chi, X., Yan, C., Wang, H. et al. (2022), «Amplified locality-sensitive hashing-based recommender systems with privacy protection», Concurrency Computat Pract Exper, No. 34, doi: doi.org/10.1002/cpe.5681.
Decker, L., Leite, D., Giommi, L. and Bonacorsi, D. (2020), «Real-Time Anomaly Detection in Data Centers for Log-based Predictive Maintenance using an Evolving Fuzzy-Rule-Based Approach», doi: 10.48550/arXiv.2004.13527.
Gungor, V., Sahin, D., Kocak, T.et al. (2013), «A Survey on Smart Grid Potential Applications and Communication Requirements», Industrial Informatics, IEEE Transactions on, No. 9, pp. 28–42, doi: 10.1109/TII.2012.2218253.
Hodge, V. and Austin, J. (2004), «A Survey of Outlier Detection Methodologies», Artificial Intelligence Review, No. 22, pp. 85–126, doi: 10.1023/B:AIRE.0000045502.10941.a9.
Jokar, P. and Arianpoo, N. (2015), «Electricity Theft Detection in AMI Using Customers’ Consumption Patterns», IEEE Transactions on Smart Grid, No. 7, pp. 1–1, doi: 10.1109/TSG.2015.2425222.
Kabalci, Y. (2016), «A survey on smart metering and smart grid communication», Renewable and Sustainable Energy Reviews, Vol. 57, pp. 302–318, doi: 10.1016/j.rser.2015.12.114.
Karpa, D.М., Tsmots, I.Н. and Opotyak, Y.V. (2018), «Neiromerezhevi zasoby prohnozuvannia spozhyvannia enerhoresursiv», Scientific Bulletin of UNFU, No. 28, pp. 140–146, doi: 10.15421/40280529.
Miao, X., Liu, Y., Zhao, H. and Li, Ch. (2018), «Distributed Online One-Class Support Vector Machine for Anomaly Detection Over Networks», IEEE Transactions on Cybernetics, pp. 1–14, doi: 10.1109/TCYB.2018.2804940.
Moghaddass, R. and Wang, J. (2017), «A Hierarchical Framework for Smart Grid Anomaly Detection Using Large-Scale Smart Meter Data», IEEE Transactions on Smart Grid, pp. 1–1, doi: 10.1109/TSG.2017.2697440.
Nagi, J., Yap, K., Tiong, S. et al. (2010), «Nontechnical Loss Detection for Metered Customers in Power Utility Using Support Vector Machines», Power Delivery, IEEE Transactions on, No. 25, pp. 1162–1171, doi: 10.1109/TPWRD.2009.2030890.
Sabokrou, M., Fayyaz, M., Fathy, M. et al. (2018), «Deep-Anomaly: Fully Convolutional Neural Network for Fast Anomaly Detection in Crowded Scenes», Computer Vision and Image Understanding, No. 172, doi: 10.1016/j.cviu.2018.02.006.
Tan, S., De, D., Song, W.-Z., et al. (2017), «Survey of Security Advances in Smart Grid: A Data Driven Approach», IEEE Communications Surveys & Tutorials, Vol. 19, No. 1, pp. 397–422, doi: 10.1109/COMST.2016.2616442.
Tuballa, M.L. and Abundo, M.L. (2016), «A review of the development of Smart Grid technologies», Renewable and Sustainable Energy Reviews, Vol. 59, pp. 710–725, doi: 10.1016/j.rser.2016.01.011.
Vigneshwar, P., Kishore, S., Balasundaram, J. and Sivamohan, S. (2020), «Anomaly-Based Intrusion Detection System Using Support Vector Machine», doi: 10.1007/978-981-15-0199-9_62.
Wazid, M. and Das, A.K. (2016), «An Efficient Hybrid Anomaly Detection Scheme Using K-Means Clustering for Wireless Sensor Networks», Wireless Personal Communications, No. 90, doi: 10.1007/s11277-016-3433-3.
Xu, X., Mo, R., Dai, F., et al. (2019), «Dynamic Resource Provisioning With Fault Tolerance for Data-Intensive Meteorological Workflows in Cloud», IEEE Transactions on Industrial Informatics, doi: 10.1109/TII.2019.2959258.
Yip, S.C., Tan, Wooi-Nee, Tan, Ch.Kwang et al. (2018), «An anomaly detection framework for identifying energy theft and defective meters in smart grids», International Journal of Electrical Power & Energy Systems, No. 101, pp. 189–203, doi: 10.1016/j.ijepes.2018.03.025.
Bratyshchenko, M.R., Filimonchuk, T.V., Maistrenko, H.V. and Sitnikov, V.I. (2024), «Analiz metodiv vyiavlennia anomalii u danykh pro spozhyvannia elektroenerhii», Systemy upravlinnia, navihatsii ta zviazku, 2024, No. 1, рр. 45–49, doi: 10.26906/SUNZ.2024.1.045.
Vyshnevskyi, O. and Zhuravchak, L. (2023), «Machine Learning Methods to Increase the Energy Efficiency of Buildings», SISN, Vol. 14, рр. 189–209, doi: 10.23939/sisn2023.14.189.
Tsiutsiura, M. and Kovalenko, A. (2024), «Otsinka alhorytmiv vyiavlennia anomalii za dopomohoiu metodiv mashynnoho navchannia», Upravlinnia rozvytkom skladnykh system, No. 58, рр. 80–85, doi: 10.32347/2412-9933.2024.58.80-85.
Yakovets, V. (2025), «Rozrobka metodiv vyiavlennia anomalii u veb-dodatkakh iz vykorystanniam intelektualnoho analizu danykh», Naukovi notatky, No. 1, рр. 86–92, doi: 10.36910/775.24153966.2024.79.12.
Список використаної літератури:
Natural Gas Consumption Forecasting for Anomaly Detection / L.Baldacci, M.Golfarelli, D.Lombardi, F.Sami // Expert Systems with Applications. – 2016. – № 62. DOI: 10.1016/j.eswa.2016.06.013.
Banad C. Electricity Consumption Anomaly Detection Model Using Deep Learning / C.Banad. – 2019 [Electronic resource]. – Access mode : http://norma.ncirl.ie/3848/.
Amplified locality-sensitive hashing-based recommender systems with privacy protection / X.Chi, C.Yan, H.Wang and other // Concurrency Computat Pract Exper. – 2022. – № 34. DOI: 10.1002/cpe.5681.
Real-Time Anomaly Detection in Data Centers for Log-based Predictive Maintenance using an Evolving Fuzzy-Rule-Based Approach / L.Decker, D.Leite, L.Giommi, D.Bonacorsi. – 2020. DOI: 10.48550/arXiv.2004.13527.
Survey on Smart Grid Potential Applications and Communication Requirements / V.Gungor, D.Sahin, T.Kocak and other // Industrial Informatics, IEEE Transactions on. – 2013. – № 9. – P. 28–42. DOI: 10.1109/TII.2012.2218253.
Hodge V. A Survey of Outlier Detection Methodologies / V.Hodge, J.Austin // Artificial Intelligence Review. – 2004. – № 22. – P. 85–126. DOI: 10.1023/B:AIRE.0000045502.10941.a9.
Jokar P. Electricity Theft Detection in AMI Using Customers’ Consumption Patterns / P.Jokar, N.Arianpoo // IEEE Transactions on Smart Grid. – 2015. – № 7. – P. 1–1. DOI: 10.1109/TSG.2015.2425222.
Kabalci Y. A survey on smart metering and smart grid communication / Y.Kabalci // Renewable and Sustainable Energy Reviews. – 2016. – Vol. 57. – P. 302–318. DOI: 10.1016/j.rser.2015.12.114.
Карпа Д.М. Нейромережеві засоби прогнозування споживання енергоресурсів / Д.М. Карпа, І.Г. Цмоць, Ю.В. Опотяк // Scientific Bulletin of UNFU. – 2018. – № 28. – С. 140–146. DOI: 10.15421/40280529.
Distributed Online One-Class Support Vector Machine for Anomaly Detection Over Networks / X.Miao, Y.Liu, H.Zhao, Ch.Li // IEEE Transactions on Cybernetics. – 2018. – P. 1–14. DOI: 10.1109/TCYB.2018.2804940.
Moghaddass R. A Hierarchical Framework for Smart Grid Anomaly Detection Using Large-Scale Smart Meter Data / R.Moghaddass, J.Wang // IEEE Transactions on Smart Grid. – 2017. – P. 1–1. DOI: 10.1109/TSG.2017.2697440.
Nontechnical Loss Detection for Metered Customers in Power Utility Using Support Vector Machines / J.Nagi, K.Yap, S.Tiong and other // Power Delivery, IEEE Transactions on. – 2010. – № 25. – P. 1162–1171. DOI: 10.1109/TPWRD.2009.2030890.
Deep-Anomaly: Fully Convolutional Neural Network for Fast Anomaly Detection in Crowded Scenes / M.Sabokrou, M.Fayyaz, M.Fathy and other // Computer Vision and Image Understanding. – 2018. – № 172. DOI: 10.1016/j.cviu.2018.02.006.
Survey of Security Advances in Smart Grid: A Data Driven Approach / S.Tan, D.De, W.-Z.Song and other // IEEE Communications Surveys & Tutorials. – 2017. – Vol. 19. – № 1. – P. 397–422. DOI: 10.1109/COMST.2016.2616442.
Tuballa M.L. A review of the development of Smart Grid technologies / M.L. Tuballa, M.L. Abundo // Renewable and Sustainable Energy Reviews. – 2016. – Vol. 59. – P. 710–725. DOI: 10.1016/j.rser.2016.01.011.
Anomaly-Based Intrusion Detection System Using Support Vector Machine / P.Vigneshwar, S.Kishore, J.Balasundaram, S.Sivamohan. – 2020. DOI: 10.1007/978-981-15-0199-9_62.
Wazid M. An Efficient Hybrid Anomaly Detection Scheme Using K-Means Clustering for Wireless Sensor Networks / M.Wazid, A.K. Das // Wireless Personal Communications. – 2016. – № 90. DOI: 10.1007/s11277-016-3433-3.
Dynamic Resource Provisioning With Fault Tolerance for Data-Intensive Meteorological Workflows in Cloud / X.Xu, R.Mo, Dai, W.Lin and other // IEEE Transactions on Industrial Informatics. – 2019. DOI: 10.1109/TII.2019.2959258.
An anomaly detection framework for identifying energy theft and defective meters in smart grids / S.C. Yip, Wooi-Nee Tan, Ch.Kwang Tan and other // International Journal of Electrical Power & Energy Systems. – 2018. – № 101. – P. 189–203. DOI: 10.1016/j.ijepes.2018.03.025.
Аналіз методів виявлення аномалій у даних про споживання електроенергії / М.Р. Братищенко, Т.В. Філімончук, Г.В. Майстренко, В.І. Сітніков // Системи управління, навігації та зв’язку. – 2024. – № 1. – С. 45–49. DOI: 10.26906/SUNZ.2024.1.045.
Вишневський О. Machine Learning Methods to Increase the Energy Efficiency of Buildings / О.Вишневський, Л.Журавчак // SISN. – 2023. – Vol. 14. – С. 189–209. DOI: 10.23939/sisn2023.14.189.
Цюцюра М. Оцінка алгоритмів виявлення аномалій за допомогою методів машинного навчання / М.Цюцюра, А.Коваленко // Управління розвитком складних систем. – 2024. – № 58. – С. 80–85. DOI: 10.32347/2412-9933.2024.58.80-85.
Яковець В. Розробка методів виявлення аномалій у веб-додатках із використанням інтелектуального аналізу даних / В.Яковець // Наукові нотатки. – 2025. – № 1. – С. 86–92. DOI: 10.36910/775.24153966.2024.79.12.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Денис Вікторович Фуріхата, Тетяна Анатоліївна Вакалюк
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автор, який подає матеріали до друку, зберігає за собою всі авторські права та надає відповідному виданню право першої публікації, дозволяючи розповсюджувати даний матеріал із зазначенням авторства та джерела первинної публікації, а також погоджується на розміщення її електронної версії на сайті Національної бібліотеки ім. В.І. Вернадського.
