A Large-Scale Replication of Smart Grids Power Consumption Anomaly Detection
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14610%2F20%3A00115322" target="_blank" >RIV/00216224:14610/20:00115322 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.5220/0009396402880295" target="_blank" >http://dx.doi.org/10.5220/0009396402880295</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.5220/0009396402880295" target="_blank" >10.5220/0009396402880295</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A Large-Scale Replication of Smart Grids Power Consumption Anomaly Detection
Popis výsledku v původním jazyce
Anomaly detection plays a significant role in the area of Smart Grids: many algorithms were devised and applied, from intrusion detection to power consumption anomalies identification. In this paper, we focus on detecting anomalies from smart meters power consumption data traces. The goal of this paper is to replicate to a much larger dataset a previously proposed approach by Chou and Telaga (2014) based on ARIMA models. In particular, we investigate different model training approaches and the distribution of anomalies, putting forward several lessons learned. We found the method applicable also to the larger dataset. Fine-tuning the parameters showed that adopting an accumulating window strategy did not bring benefits in terms of RMSE. While a 2s rule seemed too strict for anomaly identification for the dataset.
Název v anglickém jazyce
A Large-Scale Replication of Smart Grids Power Consumption Anomaly Detection
Popis výsledku anglicky
Anomaly detection plays a significant role in the area of Smart Grids: many algorithms were devised and applied, from intrusion detection to power consumption anomalies identification. In this paper, we focus on detecting anomalies from smart meters power consumption data traces. The goal of this paper is to replicate to a much larger dataset a previously proposed approach by Chou and Telaga (2014) based on ARIMA models. In particular, we investigate different model training approaches and the distribution of anomalies, putting forward several lessons learned. We found the method applicable also to the larger dataset. Fine-tuning the parameters showed that adopting an accumulating window strategy did not bring benefits in terms of RMSE. While a 2s rule seemed too strict for anomaly identification for the dataset.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 5th International Conference on Internet of Things, Big Data and Security (IoTBDS)
ISBN
9789897584268
ISSN
—
e-ISSN
—
Počet stran výsledku
8
Strana od-do
288-295
Název nakladatele
SciTePress
Místo vydání
Setubal, Portugal
Místo konání akce
Prague, Czech Republic
Datum konání akce
1. 1. 2020
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000615960700030