Нейросетевая модель выявления аномалий в профиле нагрузки промышленного предприятия

Объектом исследования является профиль энергопотребления, характеризующийся наличием возможных аномальных показаний системы учета энергопотребления нефтехимического предприятия. Целью является разработка моделей для автоматизированного распознавания критических событий, приводящих к аномальным изменениям в профилях энергопотребления, с использованием подходов глубокого обучения искусственных нейронных сетей (ИНС). Предложенное использование механизма «внимания» в составе архитектуры ИНС-модели позволяет превзойти возможности выявления аномальных отклонений в анализируемых данных популярными архитектурами ИНС на основе сверточных и рекуррентных сетей. Проведенное тестирование на реальных данных энергопотребления нефтехимического предприятия показало высокую эффективность применения предложенных нейро-моделей.

Аффилиация авторов
Шихин Владимир Анатольевич – канд. техн. наук, доцент, Петриев Сергей Константинович - аспирант, кафедра управления и интеллектуальных технологий, НИУ МЭИ, e-mail: ShikhinVA@mpei.ru, PetrievSK@mpei.ru

Список литературы
1. Паздерин А. В., Верхозин А. М., Мухлынин Н. Д., Самойленко В. О. Анализ схемотехнических методов выявления и локализации нетехнических потерь электроэнергии // Электроэнергия. Передача и распределение. 2023. №5. C.62-71.
2. Коченгин А.Е., Павлюк Г.П., Шихин В.А. Статистическая обработка профиля электропотребления для целей извлечения технологической информации // Автоматизация в промышленности. 2019. №1. C.25-31.
3. Сивоголовко Е.В. Оценка качества кластеризации в задачах интеллектуального анализа данных. Диссертация // Изд. Санкт-Петербургский гос. ун-т. 2014. С. 92
4. Чернышова Г.Ю., Овчинников А.Н. Применение методов интеллектуального анализа данных для кластеризации текстовых документов // Информационная безопасность регионов, Т.4, № 21, 2015. С. 5-12.
5. Zhang Y., Ji Y., Xiao D. Deep attention-based neural network for electricity theft detection //2020 IEEE 11th International Conference on Software Engineering and Service Science. – IEEE, 2020. – С. 154-157.
6. Hospedales T. et al. Meta-learning in neural networks: A survey // IEEE transactions on pattern analysis and machine intelligence. – 2021. – Т. 44. – №. 9. – С. 5149-5169
7. Cybenko G. Approximation by superpositions of a sigmoidal function. Math. Control. Signals Syst., 2(4), 1989
8. Коченгин А. Е., Леонов А. В., Барбасова Т. А. Применение методов кластеризации для определения рабочих режимов доменной печи // Новое слово в науке: перспективы развития. – 2015. – №. 4. – С. 152-153.
9. Shahapure K. R., Nicholas C. Cluster quality analysis using silhouette score //2020 IEEE 7th international conference on data science and advanced analytics (DSAA). – IEEE, 2020. – С. 747-748.
10. Gorishniy Y., Rubachev I., Babenko A. On embeddings for numerical features in tabular deep learning //Advances in Neural Information Processing Systems. – 2022. – Т. 35. – С. 24991-25004.
11. Hancock J. T., Khoshgoftaar T. M. Survey on categorical data for neural networks //Journal of big data. – 2020. – Т. 7. – №. 1. – С. 28.