💻 computer science

A Controlled Benchmark of Raw Sequential Image Based Hybrid and Statistical Models for Representation Aware Anomaly Detection in Household Electricity Consumption Time Series

Deze studie presenteert een gecontroleerde benchmark die de prestaties van ruwe sequentiële, beeldgebaseerde (GAF), hybride en statistische modellen voor anomaliedetectie in het huishoudelijk elektriciteitsverbruik vergelijkt, waarbij werd vastgesteld dat directe temporele modellering (Raw 1D-CNN) andere benaderingen overtrof onder synthetische perturbatieprotocollen, terwijl tegelijkertijd de noodzaak van voorzichtige interpretatie werd benadrukt vanwege de beperkte omvang van de dataset tot één enkel huishouden en het gebrek aan annotaties van fouten uit de echte wereld.

Oorspronkelijke auteurs: Şükrü Mustafa Kaya, alireza esmaili jobani

Gepubliceerd 2026-07-31

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Şükrü Mustafa Kaya, alireza esmaili jobani

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een detective bent die een dief probeert te vangen in een enorme, bruisende stad. De stad is vol lawaai: auto's die toeteren, mensen die praten en lichten die knipperen. Jouw taak is om de ene persoon op te merken die iets vreemds doet, zoals de verkeerde kant op rennen in een eenrichtingsstraat. In de wereld van computers is deze "stad" een stroom van gegevens, en de "dief" is een anomalie—een vreemde gebeurtenis die niet zou mogen gebeuren. Dit vakgebied wordt anomaliedetectie genoemd, en het is cruciaal voor zaken als het veilig houden van elektriciteitsnetten of het opsporen van fraude.

Om de dief te vangen, heb je een goede manier nodig om naar de aanwijzingen te kijken. Soms luister je naar de rauwe geluiden van de stad (de ruwe sequentiële data). Op andere momenten probeer je die geluiden om te zetten in een afbeelding, zoals een sonogram of een hittekaart, in de hoop dat het vreemde geluid eruit zal zien als een vreemde vorm (dit wordt een beeldgebaseerde representatie genoemd). Er is ook de klassieke methode om simpelweg te tellen hoeveel auto's er in een uur voorbijreden en te controleren of dat aantal vreemd is (dit is statistisch leren). De grote vraag die wetenschappers zich hebben gesteld is: "Is naar het plaatje kijken beter dan luisteren naar het rauwe geluid, of is de ouderwetse telmethode eigenlijk de slimste?"

Dit artikel is als een gecontroleerd experiment waarbij de onderzoekers een nepplied in een nepplied opzetten om te zien welke detectiemethode het beste werkt. Ze hebben geen echte stad met echte criminelen gebruikt; in plaats daarvan namen ze een dataset van het elektriciteitsverbruik van één enkel huis en "injecteerden" daar wiskundig gezien nep-vreemde gebeurtenissen in. Vervolgens testten ze vier verschillende detective-teams: een team dat naar het rauwe geluid luisterde, een team dat naar het plaatje keek, een team dat probeerde beide te doen, en een team dat gewoon de wiskunde deed.

De resultaten waren een verrassing voor iedereen die van mooie plaatjes houdt. Het team dat simpelweg naar het rauwe geluid luisterde (de Raw 1D-CNN) bleek de beste detective te zijn. Het ving de meeste "dieven" terwijl het de minste fouten maakte. Het team dat probeerde het geluid om te zetten in een plaatje (de GAF-CNN) deed het eigenlijk het slechtst van allemaal. Het lijkt erop dat het voor deze specifieke, kleine, vreemde glitches het omzetten van de data naar een afbeelding het probleem juist moeilijker maakte, een beetje zoals hoe het knijpen van je ogen bij een wazige foto ervoor kan zorgen dat je een klein detail mist dat duidelijk zichtbaar is wanneer je rechtstreeks naar het object kijkt.

Het team dat het plaatje en de wiskunde probeerde te combineren (Hybrid Fusion) deed het beter dan het team dat alleen met plaatjes werkte, maar kon het team met het rauwe geluid nog steeds niet verslaan. En het ouderwetse wiskunde-team (XGBoost) was eigenlijk best goed, wat bewijst dat je niet altijd een supercomputer nodig hebt om een probleem te vinden.

De auteurs benadrukken voorzichtig dat dit geen wondermiddel is voor het vangen van echte criminelen in een echt elektriciteitsnet. Omdat ze een nepplied en één enkel huis gebruikten, kunnen ze niet garanderen dat hun methode overal werkt. Maar hun experiment suggereert sterk dat, althans voor dit specifieke type probleem, je niet altijd je data hoeft om te zetten in een fancy afbeelding om de boeven te vinden. Soms is de eenvoudigste manier om naar de ruwe data te kijken juist de scherpste.

Technische Samenvatting: Een Gecontroleerde Benchmark van Ruwe Sequentiële versus Image-gebaseerde Hybride en Statistische Modellen voor Representatie-bewuste Anomaliedetectie in Huishoudelijk Elektriciteitsverbruik in Tijdreeksen

Probleemstelling

De detectie van zeldzame gebeurtenis-anomalieën in multivariate elektriciteitsverbruikstijdreeksen wordt niet alleen beïnvloed door de modelarchitectuur, maar aanzienlijk door de gebruikte datarepresentatie voorafgaand aan het leren. Hoewel deep learning de anomaliedetectie heeft geavanceerd, is er een gebrek aan een gecontroleerde vergelijking tussen ruwe sequentiële modellering, image-gebaseerde temporele transformaties (specifiek Gramian Angular Field of GAF), hybride fusiestrategieën en statistische tabulaire baselines.

Bestaande literatuur evalueert image-gebaseerde representaties vaak zonder voldoende sterke vergelijkingen met ruwe sequentiële baselines, of faalt in het verhelderen of prestatiewinsten voortkomen uit de representatie zelf, de modelcapaciteit of specifieke constructieprotocollen voor anomalieën. Bovendien gaan veel studies ervan uit dat het transformeren van tijdreeksgegevens naar afbeeldingen (bijv. GAF) de extractie van kenmerken universeel verbetert, een bewering die rigoureuze validatie vereist onder ongebalanceerde condities met zeldzame gebeurtenissen, waarbij fijnmazige lokale temporele afwijkingen cruciaal zijn.

Methodologie

De studie stelt een gecontroleerde, lek-bewuste benchmark op met behulp van de UCI Individual Household Electric Power Consumption dataset. Het experimentele ontwerp geeft prioriteit aan reproduceerbaarheid en strikte scheiding van gegevens om informatielekkage te voorkomen.

1. Data en Preprocessing:

Dataset: Een subset van 300.000 chronologisch geordende monsters (210 dagen) van één enkel huishouden, bestaande uit zeven numerieke kenmerken (globale actieve/reactieve kracht, spanning, intensiteit en drie sub-metering belastingen).
Splitsing: Chronologische train-validatie-test splitsing werd uitgevoerd voordat enige anomalie-injectie plaatsvond om de temporele integriteit te waarborgen.
Normalisatie: Min-max normalisatieparameters werden uitsluitend gefit op de trainingsset en toegepast op de validatie- en testsets.

2. Synthetische Anomalie-constructie:
Aangezien de dataset geen natuurlijke foutlabels bevat, werden gecontroleerde synthetische perturbaties geïnjecteerd na de splitsing:

Punt-anomalieën: Willekeurige pieken/dalingen op een enkele feature (ratio: 0.008).
Contextuele Anomalieën: Lokale additieve verschuivingen binnen korte segmenten (ratio: 0.008).
Collectieve Anomalieën: Voortdurende subreeksen met spike-block, flatline of inverse distorties (ratio: 0.015).

3. Windowing en Labeling:

Sliding Windows: Vensters van lengte 60 met een stride van 20 werden gegenereerd.
Dichtheid-gebaseerde Labeling: Om overmatige inflatie van de anomalie-klasse te voorkomen, werd een venster alleen als anomaal gelabeld als de anomalie-dichtheid (ratio van anomale punten binnen het venster) een drempel van $\tau = 0.15$ overschreed. Dit resulteerde in een matig ongebalanceerde dataset (~11% anomalie ratio).

4. Representatiestrategieën:
Vier verschillende inputrepresentaties werden afgeleid van dezelfde windowed data:

Raw Sequential: $60 \times 7$ matrix die de oorspronkelijke temporele volgorde behoudt.
GAF Image: Elk kenmerk getransformeerd in een $60 \times 60$ Gramian Angular Field afbeelding, gestapeld tot een $60 \times 60 \times 7$ tensor.
Statistische Descriptoren: Een 98-dimensionale vector per venster met gemiddelde, standaarddeviatie, percentielen, verschillen en inter-feature correlaties.

5. Model Pipelines:
Vier pipelines werden geëvalueerd onder een verenigd protocol (dezelfde splits, drempels en metrieken):

Raw 1D-CNN: Directe convolutie op ruwe sequentiële vensters.
GAF-CNN: 2D convolutioneel netwerk met residual blocks en aandacht op GAF afbeeldingen.
Hybrid Fusion: Concatenatie van GAF-CNN kenmerken en een statistische descriptor branch.
XGBoost: Gradient boosting op statistische descriptoren.

6. Evaluatieprotocol:

Imbalance Handling: Minority oversampling werd alleen toegepast op de trainingsset voor deep models; XGBoost gebruikte class weighting checks.
Threshold Tuning: Model-specifieke drempels werden getuned op de validatieset om de F1-score te maximaliseren.
Metrieken: Nadruk op F1-score, PR-AUC, Precisie en Recall, naast Accuracy en ROC-AUC.
Robuustheidscontroles: De studie omvatte audits voor datasetdekking, window-labeling boundary effecten (verificatie van geen structurele false negatives voor lengte-10 collectieve anomalieën bij $\tau=0.15$ ), XGBoost imbalance weighting en bootstrap betrouwbaarheidsintervallen.

Belangrijkste Bijdragen

Gecontroleerde Benchmark: Ontwikkelde een reproduceerbare representatie-vergelijkingsbenchmark voor huishoudelijk elektriciteitsverbruik tijdreeksen, waarbij de effecten van ruwe sequentiële, GAF-gebaseerde, hybride en statistische leerprocessen worden geïsoleerd onder een gedeeld synthetisch anomalieprotocol.
Lek-bewust Ontwerp: Stelde een experimentele workflow vast waarbij chronologische splitsing voorafgaat aan anomalie-constructie en windowing, wat informatielekkage strikt voorkomt.
Empirisch Bewijs over Representatie: Leverde bewijs dat, onder specifieke synthetische perturbatie en window-labeling ontwerpen, GAF-gebaseerde tijdreeks-imaging niet noodzakelijkerwijs beter presteert dan directe temporele modellering.
Begrensde Interpretatie: Formuleerde de resultaten doelbewust als een vergelijking van representatie-model pipelines op een gecontroleerde synthetische benchmark, waarbij expliciet wordt vermeden dat claims worden gemaakt over superioriteit voor real-world grid-scale foutdetectie.

Resultaten

Onder de F1-geoptimaliseerde validatiedrempel behaalde de Raw 1D-CNN de sterkste algehele prestaties:

Accuracy: 0.9528
Precision: 0.9116
Recall: 0.6471
F1-score: 0.7569
PR-AUC: 0.7500

Rangschikking van Modellen:

Raw 1D-CNN: Beste algemene balans tussen sensitiviteit en controle over valse alarmen.
Hybrid Fusion: Gerangschikt als tweede (F1: 0.6908), presteert significant beter dan standalone GAF en XGBoost, wat suggereert dat het fuseren van image en statistische kenmerken enkele beperkingen van image-only leren mitigeert.
XGBoost: Competitief (F1: 0.6445), bevestigt dat statistische descriptoren sterke baselines blijven.
GAF-CNN: Zwakste prestatie (F1: 0.5410), wat aangeeft dat de standalone image-gebaseerde transformatie minder effectief was voor de specifieke ijle, gelokaliseerde perturbaties in deze benchmark.

Belangrijke Observaties:

De Raw 1D-CNN behield lokale fluctuaties en kort-range afhankelijkheden effectiever dan de GAF-transformatie, die deze mogelijk heeft afgevlakt of herverdeeld.
Alle modellen vertoonden een matige recall (~60-65%), wat aangeeft dat ongeveer 35% van de anomale vensters niet gedetecteerd bleef, een kritieke beperking voor operationele inzet.
Het Hybrid Fusion model verbeterde ten opzichte van de GAF-CNN, maar overtrof de Raw 1D-CNN niet, wat suggereert dat toegevoegde representatieve complexiteit geen superieur resultaat garandeert.

Betekenis en Claims

Het artikel beweert dat representatiekeuze een kritieke, vaak onderbelichte factor is in de prestaties van anomaliedetectie. De studie daagt de aanname uit dat tijdreeks-naar-image transformaties (zoals GAF) de discriminatieve capaciteit universeel verbeteren. In plaats daarvan demonstreert het dat voor zeldzame, lokaal verdeelde anomalieën in huishoudelijke elektriciteitsdata, directe temporele modellering (Raw 1D-CNN) effectiever kan zijn dan getransformeerd image-gebaseerd leren.

Bescheidenheid van Claims:
De auteurs stellen expliciet dat deze bevindingen geen bewijs zijn van superioriteit voor echte grid-scale anomaliedetectie. De studie is beperkt door:

Het gebruik van synthetische anomalie-labels in plaats van natuurlijk voorkomende fouten.
Data van een enkel huishouden, die een gebrek heeft aan grid-scale topologie of multi-huishouden dynamiek.
De specifieke window-labeling en perturbatie geometrie die gebruikt is.

De betekenis van het werk ligt daarom in het bieden van een voorzichtige empirische vergelijking van representatiestrategieën. Het betoogt dat onderzoekers, voordat zij architecturale superioriteit claimen, representatie-model pipelines systematisch moeten evalueren onder expliciete, reproduceerbare en imbalance-bewuste condities. De resultaten suggereren dat het verhogen van de representatieve complexiteit niet automatisch leidt tot betere anomaliedetectie en dat de meest geschikte strategie empirisch moet worden bepaald voor de specifieke operationele context.