Ensemble-Based Anomaly Detection for Urban Power Efficiency Towards Sustainable Energy Management

Städte sind lebende Organismen, die Elektrizität atmen. Vom Licht in einem Haus bis hin zum Strom, der ein Krankenhaus versorgt – der Energiefluss hält das moderne Leben in Bewegung. Doch wie jedes komplexe System ist dieser Fluss nicht immer perfekt. Manchmal wird Energie durch verborgene Ineffizienzen, Gerätefehler oder unregelmäßige Nutzungsmuster verschwendet, die unbemerkt bleiben, bis eine Rechnung eintrifft oder ein System versagt. Diese verborgenen Probleme zu finden ist schwierig, da die von Smart Metern und Sensoren erzeugten Daten riesig, ungeordnet und sich ständig verändernd sind. Traditionelle Methoden zur Fehlersuche, wie etwa das Festlegen eines einfachen Grenzwerts und das Warten darauf, dass eine Zahl diesen überschreitet, übersehen oft die subtilen Anzeichen von Problemen oder lösen Fehlalarme aus. Um dies zu lösen, wenden sich Forscher an einen Zweig der Informatik namens Maschinelles Lernen, bei dem Computer lernen, Muster zu erkennen, ohne explizit zu sagen zu bekommen, wonach sie suchen sollen. Indem sie diese Systeme lehren, zu verstehen, was eine „normale“ Energienutzung ausmacht, können sie die seltsamen Verhaltensweisen aufspüren, die auf Verschwendung oder Gefahr hindeuten, und so einen Weg zu saubereren, nachhaltigeren Städten eröffnen.

Ein Team von Forschern aus Universitäten in Indien, dem Irak, Malaysia und Bahrain setzte sich zum Ziel, ein System zu entwickeln, das genau dies für städtische Stromnetze tun kann. Ihr Ziel war es, einen digitalen Wachhund zu erschaffen, der durch Rohdaten des Energieverbrauchs sichten und Anomalien identifizieren kann – jene unregelmäßigen Spitzen oder Abfälle, die darauf hindeuten, dass etwas nicht stimmt. Sie verließen sich nicht auf eine einzige Methode, um diese Fehler zu finden. Stattdessen bauten sie ein Team aus vier verschiedenen Computermodellen auf, von denen jedes seine eigene Art hat, über die Daten nachzudenken. Ein Modell, bekannt als Isolation Forest, arbeitet dadurch, dass es die Daten zufällig zerteilt, um zu sehen, welche Punkte alleine stehen bleiben. Ein anderes, genannt Local Outlier Factor, betrachtet, wie dicht ein bestimmter Datenbereich besiedelt ist, und markiert Punkte, die zu weit von ihren Nachbarn entfernt liegen. Ein drittes nutzt eine Technik namens One-Class Support Vector Machine, um eine Grenze um das normale Verhalten zu ziehen und alles außerhalb dieser Linie als verdächtig zu markieren. Das vierte und komplexeste Modell ist ein Autoencoder, eine Art künstliches neuronales Netzwerk, das versucht, die Daten, die es sieht, zu rekonstruieren; wenn es Schwierigkeiten hat, ein Stück Information zu rekonstruieren, nimmt es an, dass dieses Stück ungewöhnlich ist.

Die Forscher begannen damit, einen Datensatz kommunaler Stromaufzeichnungen zu bereinigen, was das Auffüllen fehlender Zahlen, das Anpassen von verzerrten Daten und das Skalieren der Werte beinhaltete, damit der Computer sie fair verarbeiten konnte. Dann trainierten sie diese vier Modelle mit diesen bereinigten Daten. Um zu testen, wie gut sie funktionierten, simulierten sie ein Szenario, in dem zehn Prozent der Daten bekanntlich abnormal waren, eine übliche Rate für die Testung solcher Systeme. Die Ergebnisse zeigten, dass alle Modelle ihre Stärken hatten, der Autoencoder jedoch herausragte. Er erreichte einen Wert von 0,9740 auf einer Metrik, die das Finden echter Probleme mit der Vermeidung von Fehlalarmen abwägt, und übertraf damit die anderen drei Einzelmodelle. Der Isolation Forest und der Local Outlier Factor schnitten ebenfalls gut ab, aber der Autoencoder war am präzisesten darin, zwischen normalen Schwankungen und echten Ineffizienzen zu unterscheiden.

Die Forscher wussten jedoch, dass es riskant sein kann, sich nur auf ein einziges Modell zu verlassen. Wenn dieses eine Modell einen Fehler macht, versagt das gesamte System. Um die Lösung robuster zu machen, kombinierten sie die vier Modelle zu einem Ensemble-System. Dies funktioniert wie ein Komitee: Ein Datenpunkt wird nur dann als Anomalie gekennzeichnet, wenn mindestens zwei der vier Modelle zustimmen, dass er seltsam ist. Dieser Ansatz reduzierte die Anzahl der Fehlalarme drastisch. In ihren Tests erreichte dieses kombinierte System eine perfekte Präzision, was bedeutet, dass es immer korrekt war, wenn es einen Alarm auslöste. Während seine Gesamtgenauigkeit etwas niedriger war als die des besten Einzelmodells, war dieser Kompromiss für ein reales System, in dem Fehlalarme Zeit und Ressourcen verschwenden können, den Aufwand wert. Das Team nutzte auch ein Werkzeug namens SHAP, um zu erklären, warum die Modelle ihre Entscheidungen trafen. Diese Analyse ergab, dass spezifische Merkmale in den Daten, insbesondere solche im Zusammenhang mit Spitzenzeiten der Nutzung und hohen Verbrauchsmustern, die primären Treiber hinter den Alarmen waren.

Die Studie kommt zu dem Schluss, dass Deep-Learning-Modelle wie der Autoencoder zwar leistungsstarke Werkzeuge zur Erkennung von Energieverschwendung sind, die Kombination mit anderen Methoden jedoch ein sichereres, zuverlässigeres Sicherheitsnetz für die städtische Infrastruktur schafft. Das System identifizierte erfolgreich unregelmäßige Verbrauchsmuster, ohne auf vorbeschriftete Beispiele für jeden möglichen Fehler angewiesen zu sein – ein entscheidender Vorteil, da reale Städte selten perfekte Aufzeichnungen über jedes vergangene Problem besitzen. Die Forscher merkten an, dass ihre Arbeit auf simulierten Ground-Truth-Daten basierte und dass zukünftige Bemühungen Echtzeit-Zeitreihendaten einbeziehen müssen, um der dynamischen Natur von Live-Stromnetzen gerecht zu werden. Indem solche Systeme die unsichtbaren Ineffizienzen sichtbar machen, bieten sie einen praktischen Schritt in Richtung des UN-Ziels für erschwingliche und saubere Energie und helfen Stadtmanagern dabei, Ressourcen zu schützen und sicherzustellen, dass der Strom, der durch ihre Straßen fließt, klug genutzt wird.