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

Steden zijn levende organismen die elektriciteit ademen. Van de lampen in een huis tot de stroom die een ziekenhuis voedt, de energiestroom houdt het moderne leven in beweging. Maar zoals elk complex systeem is deze stroom niet altijd perfect. Soms gaat er energie verloren door verborgen inefficiënties, defecten aan apparatuur of onregelmatige gebruikspatronen die onopgemerkt blijven totdat er een rekening arriveert of een systeem faalt. Het opsporen van deze verborgen problemen is moeilijk omdat de data gegenereerd door slimme meters en sensoren enorm, rommelig en constant veranderend is. Traditionele methoden om op fouten te zoeken, zoals het instellen van een eenvoudige limiet en wachten tot een getal deze overschrijdt, missen vaak de subtiele tekenen van problemen of veroorzaken valse alarmen. Om dit op te lossen, wenden onderzoekers zich tot een tak van de informatica genaamd machine learning, waarbij computers leren patronen te herkennen zonder expliciet te worden verteld waarnaar ze moeten zoeken. Door deze systemen te leren begrijpen wat "normaal" energieverbruik is, kunnen ze de vreemde gedragingen opsporen die wijzen op verspilling of gevaar, wat een weg biedt naar schonere, duurzamere steden.

Een team van onderzoekers van universiteiten uit India, Irak, Maleisië en Bahrein begon aan de bouw van een systeem dat precies dit kon doen voor stedelijke elektriciteitsnetten. Hun doel was om een digitale waakhond te creëren die door ruwe energieconsumptiedata kon zeven en anomalieën kon identificeren—die onregelmatige pieken of dalen die suggereren dat er iets mis is. Ze vertrouwden niet op één enkele methode om deze fouten te vinden. In plaats daarvan bouwden ze een team van vier verschillende computermodellen, elk met een eigen manier van kijken naar de data. Eén model, bekend als een Isolation Forest, werkt door de data willekeurig op te knippen om te zien welke punten er alleen staan. Een ander, de Local Outlier Factor, kij alsof naar hoe druk een specifiek gebied in de data is, en markeert punten die te ver van hun buren liggen. Een derde maakt gebruik van een techniek genaamd One-Class Support Vector Machine om een grens rond normaal gedrag te trekken, waarbij alles buiten die lijn als verdacht wordt gemarkeerd. Het vierde en meest complexe model is een Autoencoder, een type kunstmatig neuraal netwerk dat probeert de data die het ziet te reconstrueren; als het moeite heeft met het reconstrueren van een stuk informatie, neemt het aan dat dat stuk ongewoon is.

De onderzoekers begonnen met het opschonen van een dataset van gemeentelijke stroomgegevens, wat het invullen van ontbrekende getallen, het corrigeren voor scheve data en het schalen van de waarden inhield zodat de computer ze eerlijk kon verwerken. Vervolgens trainden ze deze vier modellen op deze opgeschoonde data. Om te testen hoe goed ze werkten, simuleerden ze een scenario waarin tien procent van de data bekend was als abnormaal, een veelvoorkomende ratio voor het testen van dergelijke systemen. De resultaten toonden aan dat hoewel alle modellen hun sterke punten hadden, de Autoencoder eruit sprong. Het behaalde een score van 0,9740 op een metriek die een balans vindt tussen het vinden van echte problemen en het vermijden van valse alarmen, waarmee het de andere drie individuele modellen overtrof. De Isolation Forest en Local Outlier Factor presteerden ook goed, maar de Autoencoder was het meest precies in het onderscheiden van normale fluctuaties en echte inefficiënties.

De onderzoekers wisten echter dat vertrouwen op slechts één model riskant kon zijn. Als dat enkele model een fout maakte, zou het hele systeem falen. Om de oplossing robuuster te maken, combineerden ze de vier modellen in een ensemble-systeem. Dit werkt als een commissie: een datapunt wordt pas als een anomalie gemarkeerd als ten minste twee van de vier modellen ermee instemmen dat het vreemd is. Deze aanpak verminderde het aantal valse alarmen drastisch. In hun tests bereikte dit gecombineerde systeem een perfecte precisie, wat betekent dat telkens wanneer het een melding gaf, het ook correct was. Hoewel de algehele nauwkeurigheid iets lager was dan die van het beste individuele model, was de afruil de moeite waard voor een systeem in de echte wereld waar valse alarmen tijd en middelen verspillen kunnen. Het team gebruikte ook een hulpmiddel genamed SHAP om uit te leggen waarom de modellen hun beslissingen namen. Deze analyse onthulde dat specifieke kenmerken in de data, met name die gerelateerd aan piekgebruikstijden en hoge consumptiepatronen, de primaire drijfveren achter de meldingen waren.

De studie concludeert dat hoewel deep learning-modellen zoals de Autoencoder krachtige instrumenten zijn voor het opsporen van energieverspilling, het combineren ervan met andere methoden een veiliger en betrouwbaarder vangnet creëert voor stedelijke infrastructuur. Het systeem identificeerde onregelmatige consumptiepatronen succesvol zonder dat er vooraf gelabelde voorbeelden van elke mogelijke fout nodig waren, een cruciaal voordeel aangezien echte steden zelden perfecte registers hebben van elk probleem uit het verleden. De onderzoekers merkten op dat hun werk gebaseerd was op gesimuleerde ground truth-data en dat toekomstige inspanningen real-time, tijdreeksgegevens zullen moeten bevatten om de dynamische aard van live elektriciteitsnetten aan te kunnen. Door deze onzichtbare inefficiënties zichtbaar te maken, bieden dergelijke systemen een praktische stap naar de doelstellingen van de Verenigde Naties voor betaalbare en schone energie, waarbij ze stadbeheerders helpen de middelen te beschermen en ervoor te zorgen dat de stroom die door hun straten vloeit, verstandig wordt gebruikt.