Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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