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

Le città sono organismi viventi che respirano elettricità. Dalle luci di una casa all'energia che alimenta un ospedale, il flusso di energia mantiene in movimento la vita moderna. Ma come ogni sistema complesso, questo flusso non è sempre perfetto. A volte, l'energia viene sprecata attraverso inefficienze nascoste, guasti alle apparecchiature o modelli di utilizzo irregolari che passano inosservati finché non arriva una bolletta o un sistema si guasta. Individuare questi problemi nascosti è difficile perché i dati generati dai contatori intelligenti e dai sensori sono vasti, disordinati e in costante mutamento. I metodi tradizionali per cercare errori, come impostare un semplice limite e attendere che un numero lo superi, spesso perdono i segnali sottili di problemi o generano falsi allarmi. Per risolvere questo problema, i ricercatori si stanno rivolgendo a un ramo dell'informatica chiamato apprendimento automatico (machine learning), dove i computer imparano a riconoscere schemi senza essere esplicitamente istruiti su cosa cercare. Insegnando a questi sistemi a comprendere cosa rappresenti un uso dell'energia "normale", possono individuare i comportamenti strani che segnalano sprechi o pericoli, offrendo una via verso città più pulite e sostenibili.

Un team di ricercatori provenienti da università dell'India, dell'Iraq, della Malesia e del Bahrein si è posto l'obiettivo di costruire un sistema che potesse fare esattamente questo per le reti elettriche urbane. Il loro obiettivo era creare un guardiano digitale capace di setacciare i dati grezzi di consumo energetico e identificare le anomalie — quegli sbalzi o cali irregolari che suggeriscono che qualcosa non va. Non si sono affidati a un singolo metodo per trovare questi errori. Al contrario, hanno costruito un team di quattro diversi modelli informatici, ciascuno con il proprio modo di interpretare i dati. Un modello, noto come Isolation Forest, lavora dividendo casualmente i dati per vedere quali punti rimangono isolati. Un altro, chiamato Local Outlier Factor, osserva quanto sia affollata una specifica area di dati, segnalando i punti che sono troppo lontani dai propri vicini. Un terzo utilizza una tecnica chiamata One-Class Support Vector Machine per tracciare un confine attorno al comportamento normale, marcando come sospetto tutto ciò che si trova al di fuori di quella linea. Il quarto modello, il più complesso, è un Autoencoder, un tipo di rete neurale artificiale che cerca di ricostruire i dati che vede; se fatica a ricostruire un pezzo di informazione, assume che quel pezzo sia insolito.

I ricercatori hanno iniziato pulendo un insieme di dati di registri energetici municipali, il che ha comportato il riempimento dei numeri mancanti, la correzione dei dati distorti e la scalatura dei valori affinché il computer potesse elaborarli equamente. Hanno poi addestrato questi quattro modelli su tali dati puliti. Per testare la loro efficacia, hanno simulato uno scenario in cui il dieci per cento dei dati era noto per essere anomalo, un tasso comune per testare tali sistemi. I risultati hanno mostrato che, sebbene tutti i modelli avessero i propri punti di forza, l'Autoencoder si è distinto. Ha ottenuto un punteggio di 0,9740 su una metrica che bilancia l'individuazione di problemi reali con l'evitamento di falsi allarmi, superando gli altri tre modelli individuali. L'Isolation Forest e il Local Outlier Factor hanno fornito prestazioni buone, ma l'Autoencoder è stato il più preciso nel distinguere tra fluttuazioni normali ed inefficienze reali.

Tuttavia, i ricercatori sapevano che affidarsi a un solo modello poteva essere rischioso. Se quel singolo modello avesse commesso un errore, l'intero sistema sarebbe fallito. Per rendere la soluzione più robusta, hanno combinato i quattro modelli in un sistema di ensemble. Questo funziona come un comitato: un dato viene segnalato come anomalia solo se almeno due dei quattro modelli concordano sul fatto che sia strano. Questo approccio ha ridotto drasticamente il numero di falsi allarmi. Nei loro test, questo sistema combinato ha raggiunto una precisione perfetta, il che significa che ogni volta che segnalava un allerta, era corretto. Sebbene la sua accuratezza complessiva fosse leggermente inferiore a quella del miglior modello singolo, il compromesso valeva la pena per un sistema del mondo reale dove i falsi allarmi possono sprecare tempo e risorse. Il team ha anche utilizzato uno strumento chiamato SHAP per spiegare perché i modelli prendessero le loro decisioni. Questa analisi ha rivelato che specifiche caratteristiche nei dati, in particolare quelle relative ai tempi di picco dell'utilizzo e ai modelli di alto consumo, erano i principali motori dietro gli allarmi.

Lo studio conclude che, sebbene i modelli di deep learning come l'Autoencoder siano strumenti potenti per individuare lo spreco energetico, combinarli con altri metodi crea una rete di sicurezza più sicura e affidabile per le infrastrutture cittadine. Il sistema ha identificato con successo modelli di consumo irregolari senza la necessità di esempi pre-etichettati di ogni possibile guasto, un vantaggio cruciale poiché le città reali raramente possiedono registri perfetti di ogni problema passato. I ricercatori hanno osservato che il loro lavoro si basava su dati di verità fondamentale (ground truth) simulati e che gli sforzi futuri dovranno incorporare dati in tempo reale e serie temporali per gestire la natura dinamica delle reti elettriche attive. Rendendo visibili queste inefficienze invisibili, tali sistemi offrono un passo pratico verso l'obiettivo delle Nazioni Unite per l'energia accessibile e pulita, aiutando i gestori cittadini a proteggere le risorse e garantire che l'energia che scorre nelle loro strade sia utilizzata con saggezza.