Обнаружение зон аномальных изменений в многомерных рядах коммерческого учета тепловой энергии
Ключевые слова:
качество данных, оценка параметров, алгоритм обработки сигналов, идентификация системы управления, коммерческий учет потребления энергоресурсовАннотация
Обнаружение аномальных значений в таблицах данных, полученных с тепловычислителей, необходимо для повышения качества учёта потребления тепловой энергии. К зонам аномальных значений приводят поломки приборов учёта, ошибки передачи, человеческий фактор и множество других причин. И если обнаружение грубых ошибок измерений статистическими методами сейчас не вызывает особых сложностей, обнаружение точек аномальных изменений и резких изменений в рядах – это более сложная задача, которая привлекает внимание исследователей во многих предметных областях, где активно внедряется интеллектуальный анализ данных. В конструировании погодных регуляторах отопления многоэтажных жилых зданий одним из задающих воздействий является температура наружного воздуха с резкими перепадами, вызванными, главным образом, глобальным изменением климата. В статье предлагается использовать адаптивную состоятельную меру обнаружения аномальных изменений ряда, основанную на выборе функций, наименее уклоняющихся от многомерных рядов. Мера основана на различиях в распределении вероятностей до и после зон аномальных изменений. Предложенный подход обнаружения устойчив к погрешностям измерения и может быть использован для повышения точности оценки работы регуляторов тепловой энергии. На опубликованных датасетах, находящихся в открытом доступе, проведено тестирование разработанного алгоритма. Поскольку аномалии в рядах зачастую встречаются в данных автоматических систем контроля и передачи данных учёта энергии, для тестирования взяты распространенные датасеты. Разработанный алгоритм по времени анализа данных сопоставим с популярным алгоритмом SVM, а по F-статистике демонстрирует преимущество перед другими известными методами. Предложенный способ обнаружения зон изменения в рядах является многообещающим в задачах экономии энергии и продемонстрирован с помощью обширных вычислительных экспериментов на реальных наборах данных теплоучёта.
Библиографические ссылки
[1] Крюков Ю.А., Чернягин Д.В. ARIMA – модель прогнозирования значений трафика // Информационные технологии и вычислительные системы. – 2011. – № 2. – С. 41-49. – eLIBRARY ID: 17805262. – EDN: OZQLLR.
[2] Газиров Д. И. Обзор методов статистического анализа временных рядов и проблемы, возникающие при анализе нестационарных временных рядов // Научный журнал: Олимп (Иваново). – 2016. – № 3(4). –С. 9-14. – eLIBRARY ID: 25631242.
[3] Zhang W., Li T., He P., Yang Y., Wang S. An Outlier Suppression and Adversarial Learning Model for Anomaly Detection in Multivariate Time Series // Entropy. – 2025. – Vol. 27. – № 11. – P. 1151. – Doi: 10.3390/e27111151.
[4] Swami A., Giannakis G., Shamsunder S. Multichannel ARMA processes // IEEE Transactions on Signal Processing. – 1994. – Vol. 42. – № 4. – Pp. 898-913. – Doi: 10.1109/78.285653.
[5] Ivanovic M., Kurbalija V. Time series analysis and possible applications / 2016 39th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). – Opatija, Croatia, May 30–June 3, 2016. – Pp. 473-479. – Doi: 10.1109/MIPRO.2016.7522190.
[6] Усманова К.Р., Стрижов В.В. Модели обнаружения зависимостей во временных рядах в задачах построения прогностических моделей // Системы и средства информатики. – 2019. – Т. 29. – № 2. – С. 12-30. – eLIBRARY ID: 41273551.
[7] Осовский А.В., Кутузов Д.В., Стукач О.В. Анализ моделей трафика, создаваемого устройствами интернета вещей / Динамика систем, механизмов и машин. – 2019. – Т. 7. – № 4. – С. 220-226. – ISSN: 2310-9793. – eLIBRARY ID: 41432222.
[8] Кузнецов М.П., Ивкин Н.П. Алгоритм классификации временных рядов акселерометра по комбинированному признаковому описанию // Машинное обучение и анализ данных. – 2015. – Т. 1. – № 11. – С. 1471-1483. – eLIBRARY ID: 24931576.
[9] Савкина А.В., Федосин А.С. Проблемы качества данных в автоматизированных системах коммерческого учета потребления энергоресурсов // Прикаспийский журнал: управление и высокие технологии. – 2014. – № 2. – С. 158-164. – eLIBRARY ID: 21716788. – EDN: SHFYGT.
[10] Стукач О.В., Габитова О.О. Демонстрация результатов энергосберегающего регулирования тепловой энергии на примере одного здания // Автоматика и программная инженерия. – 2023. – № 2(44). – Pp. 158-164. – eLIBRARY ID: 54207953.
[11] Попов И.Ю., Стукач О.В., Зорин П.А. Оценка качества данных коммерческого учёта тепловой энергии методом полной вариации распознавания ошибок // Динамика систем, механизмов и машин. – 2021. – Т. 9. – № 3. – С. 117-121. – DOI: 10.25206/2310-9793-9-3-117-121.
[12] Федосин А.С., Федосин С.А. Очистка входных данных в автоматизированных системах контроля и учета энергоресурсов // Инфокоммуникационные технологии. – 2016. – Т. 14. – № 2. – С. 162-168.
[13] Bacher M., Ben-Gal I., Shmueli E. Subspace selection for anomaly detection: An information theory approach. / IEEE International Conference on the Science of Electrical Engineering (ICSEE). – 16–18 Nov. 2016. – Eilat. – Israel, id.50. – P. 1-5. – Doi: 10.1109/icsee.2016.7806077.
[14] Dutta J.K., Banerjee B., Reddy C.K. RODS: Rarity based Outlier Detection in a Sparse Coding Framework // IEEE Transactions on Knowledge and Data Engineering, – 2016. – Vol. 28. – № 2. – Pp. 483-495. – Doi: 10.1109/TKDE.2015.2475748.
[15] Shebuti R. Sequential Ensemble Learning for Outlier Detection: A Bias-Variance Perspective // 2016 IEEE 16th International Conference on Data Mining (ICDM). – 2016. – Pp. 1167–1172. – arXiv:1609.05528. – doi: 10.48550/arXiv.1609.05528.
[16] Blythe D., Bunau P., Meinecke F.C., Muller K.R. Feature Extraction for Change-Point Detection using Stationary Subspace Analysis // IEEE Transactions on Neural Networks and Learning Systems. – 2012. – Vol. 23. – № 4. – Pp. 631–643. – arXiv:1108.2486v1. – Doi: 10.1109/TNNLS.2012.2185811.
[17] Hido S., Ide T., Kashima H., Kubo H., Matsuzawa H. Unsupervised change analysis using supervised learning / Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD). – 2008. – Part of the book series: Lecture Notes in Computer Science (LNAI, vol. 5012). – Pp. 148–159.
[18] Gustafsson F. The marginalized likelihood ratio test for detecting abrupt changes // IEEE Transactions on Automatic Control. – 1996. Vol. 41. – № 1. – Pp. 66–78. – Doi: 10.1109/9.481608.
[19] Попов И.Ю., Стукач О.В., Зорин П.А. Применение метода полной вариации распознавания ошибок к исследованию данных коммерческого учета тепловой энергии // Автоматика и программная инженерия. – 2021. – № 4(38). – С. 55-61.
[20] Лагутин М.В. Наглядная математическая статистика. – М.: ВИНОМ. Лаборатория знаний, 2009. – 472 с.
[21] Ershov I.A., Stukach O.V. Aimagambetova R.Z. The Peculiar Measure Identifying of the Temperature Leap in the Distributed Raman Sensors // Dynamics of Systems, Mechanisms and Machines (Dynamics). – 2021, 9-11 Nov., Omsk, Russian Federation. – Pp. 1-4. – Doi: 10.1109/Dynamics52735.2021.9653721.
[22] Ершов И.А., Стукач О.В., Цыденжапов И.Б., Сычев И.В. Идентификация слабого температурного перехода в оптоволокне при помощи дивергенции Цаллиса / Электронные средства и системы управления: материалы докладов XVI Международной научно-практической конференции (18-20 ноября 2020 г.): в 2 ч. – Ч. 1. – Томск: В-Спектр. – 2020. – С. 146-148.
[23] Nguyen X.L., Wainwright M.J., Jordan M.I. Estimating divergence functionals and the likelihood ratio by convex risk minimization // IEEE Transactions on Information Theory. – 2010. – Vol. 56. – № 11. – Pp: 5847–5861. – arXiv:0809.0853v2. – Doi: 10.1109/TIT.2010.2068870.
[24] Kawahara Y., Sugiyama M. Change-point detection in time-series data by direct density-ratio estimation / SIAM International Conference on Data Mining (SDM 2009). – April 30 - May 2. – 2009. – Sparks, Nevada, USA. – Pp. 389-400. – Doi:10.1137/1.9781611972795.34.
[25] Liu S., Yamada M., Collier N., Sugiyama M. Change-point detection in time-series data by relative density ratio estimation // Neural Networks. – 2013. – 16 Jan. – arXiv:1203.0453v2. – Doi: 10.48550/arXiv.1203.0453.
[26] Gretton A., Bousquet O., Smola A., Scholkopf B. Measuring statistical dependence with Hilbert-Schmidt norms // ALT papes. – 2005. – Pp. 63-77.
[27] Steinwart I. On the influence of the kernel on the consistency of support vector machines // Journal of Machine Learning Research. – 2001. – № 2. – Pp. 67-93.
[28] Zorin P., Stukach O. Data of heating meters from residential buildings in Tomsk (Russia) for statistical modeling of the thermal characteristics of buildings / IEEE Dataport. – 2020. – [Online]. Available: http://dx.doi.org/10.21227/3r4e-ch18.
[29] Зорин П.А., Стукач О.В. Анализ влияния погодных условий на динамику тепловой энергии в жилом фонде города Томск / Инновационные, информационные и коммуникационные технологии: сборник трудов XVII Международной научно-практической конференции. – М.: Ассоциация выпускников и сотрудников ВВИА им. проф. Жуковского. – 2020. – С. 365-368. – eLIBRARY ID: 45557868.
[30] Набор данных CIC-IDS2017. Режим доступа: https://www.unb.ca/cic/datasets/ids-2017.html.
[31] Stukach O., Zorin P. Long-Term Data from the Heat Meters in Residential Buildings Depending on the Outside Temperature and Characteristics of Buildings / IEEE Dataport. – April 13, 2021. – Doi: 10.21227/cw53-rr81.
[32] Набор данных UNB ISCX. Режим доступа: https://www.unb.ca/cic/datasets/ids.html.
[33] Набор данных UNS-NB15. Режим доступа: https://research.unsw.edu.au/projects/unsw-nb15-dataset.
[34] Набор данных CTU-13. Режим доступа: https://www.kaggle.com/datasets/doogla/ctu13.
[35] Зорин П.А., Стукач О.В. База данных потребления тепловой энергии многоэтажными жилыми зданиями в зависимости от метеорологических факторов и характеристик зданий. – Рег. № 25452. – Doi: 10.12731/ofernio.2025.25452.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Системная инженерия и инфокоммуникации
Это произведение доступно по лицензии Creative Commons «Attribution-ShareAlike» («Атрибуция — На тех же условиях») 4.0 Всемирная.