Согласно исследованию, однажды машинное обучение может помочь поставщикам энергии лучше выявлять неисправные или скомпрометированные компоненты в электросетях или лучше выявлять заторы на дорогах для местных властей.
Исследовательский проект под руководством Массачусетского технологического института описывает методику, позволяющую моделировать сложные взаимосвязанные системы, состоящие из множества переменных, значения которых со временем изменяются. Сопоставляя соединения в этих так называемых множественных временных рядах, байесовская сеть может научиться выявлять аномалии в данных.
Электросети — идеальный пример, Цзе Чен, соавтор статьи. [PDF] и сотрудник исследовательской лаборатории MIT-IBM Watson AI Lab, объяснил в пятницу. «Ярким примером источника множественных временных рядов является энергосистема, где каждый составляющий ряд представляет собой состояние сети во времени, регистрируемое датчиком, установленным в определенном географическом месте», — сказал он.
Состояние электросети может быть составлено из множества точек данных, включая величину, частоту и угол напряжения во всей сети, а также ток. Чен сказал, что обнаружение аномалий зависит от выявления аномальных точек данных, которые могут быть вызваны такими вещами, как обрыв кабеля или повреждение изоляции.
В частности, энергосистема может быть смоделирована как набор узлов и ребер и связанных с ними показаний датчиков. Для этих показаний можно рассчитать распределение вероятностей по мере их изменения во времени; любые поступающие данные, которые не соответствуют этому распределению, являются признаком того, что что-то не так. И хотя вы можете установить жесткие правила для обнаружения такого рода вещей — превышение или занижение частоты, слишком большой сдвиг фазы и т. д. — байесовский подход должен быть менее ручным, более автоматическим и менее громоздким в управлении.
«В случае с электросетью люди пытались собирать данные, используя статистику, а затем определять правила обнаружения со знанием предметной области, чтобы сказать, что, например, если напряжение вырастет на определенный процент, то оператор сети должен быть предупрежден. — сказал Чен.
«Такие системы, основанные на правилах, даже усиленные статистическим анализом данных, требуют много труда и опыта. Мы показываем, что можем автоматизировать этот процесс, а также извлекать закономерности из данных, используя передовые методы машинного обучения».
Этот метод использует неконтролируемое обучение для определения того, что считается аномальным результатом, вместо использования правил, созданных вручную. Когда исследователи проверили свою модель на двух частных наборах данных, записывающих измерения двух межсетевых соединений в США, они обнаружили, что она превосходит другие методы машинного обучения, основанные на нейронных сетях.
В качестве входных данных использовались образцы данных датчиков сетки, а байесовская сеть дает оценку для прогнозирования того, являются ли данные аномальными или нет, сказал Эньян Дай, соавтор статьи и доктор философии в Университете штата Пенсильвания. Регистр. По его словам, это общий метод обнаружения аномального изменения данных, и его можно использовать даже для подачи сигнала тревоги в случае взлома энергосистемы.
«Его можно использовать для обнаружения девальвации сбоя электросети в целях кибератак. Поскольку наш метод по существу направлен на моделирование электросети в нормальном состоянии, он может обнаруживать аномалии независимо от причины». Этот метод был применен и к другим системам с несколькими временными рядами; команда использовала его для изучения наборов данных, чтобы выявить узкие места в схемах дорожного движения и качестве воды.
«К сожалению, наша модель не может указать, почему [systems] не удается, – сказал нам Дай. – Но он может определить, какая часть энергосистемы выходит из строя. Модель может применяться для мониторинга состояния электросети и может сообщать об отказе сети в течение одной минуты, что потенциально означает, что она может действовать в режиме реального времени. быть оценены».
Документ, подтверждающий концепцию, будет представлен в этом году на конференции International Conference on Learning Representations. ®
