Im Rahmen eines vom Massachusetts Institute of Technology geleiteten Projekts haben Forscher eine Technik zur Modellierung komplexer miteinander verbundener Systeme aus vielen Variablen beschrieben, deren Werte sich im Laufe der Zeit ändern. Das „Bayessche Netzwerk“ gleicht Verbindungen über diese mehreren Zeitreihen hinweg ab und lernt, Anomalien in den Daten zu erkennen.
Die neue Methode verwendet unüberwachtes Lernen anstelle von handgefertigten Regeln, um Anomalien zu erkennen.
Ein solches System würde es Energieversorgern ermöglichen, fehlerhafte oder kompromittierte Komponenten im Stromnetz besser zu identifizieren. Somit kann der Zustand des elektrischen Netzwerks aus vielen Datenpunkten zusammengesetzt werden, einschließlich der Größe, Frequenz und Winkel der Spannung im gesamten Netzwerk, Strom. Das System erkennt anomale Datenpunkte, die durch ein gebrochenes Kabel oder eine gebrochene Isolierung verursacht werden könnten.
„Im Fall des Stromnetzes haben die Leute versucht, Daten mithilfe von Statistiken zu sammeln und dann mit Domänenwissen Erkennungsregeln zu definieren. Steigt beispielsweise die Spannung um einen bestimmten Prozentsatz an, muss der Netzbetreiber benachrichtigt werden. Solche Systeme, sogar erweitert um statistische Datenanalysen, erfordern viel Arbeit und Erfahrung. Wir können diesen Prozess automatisieren und mithilfe fortschrittlicher maschineller Lerntechniken Muster aus den Daten extrahieren“, sagen die Autoren der Studie.
Die Autoren der Entwicklung testeten ihr Modell an zwei privaten Datensätzen, in denen Messungen von zwei Verbindungen in den Vereinigten Staaten aufgezeichnet wurden, und zeigten seine Überlegenheit gegenüber anderen maschinellen Lernmethoden auf der Grundlage neuronaler Netze.
Das allgemeine Datenanomalie-Erkennungsverfahren kann auch verwendet werden, um im Falle eines Stromnetzbruchs einen Alarm zu erzeugen und die Abwertung eines Stromausfalls für Cyber-Angriffszwecke zu erkennen. „Da unser Verfahren im Wesentlichen darauf abzielt, ein elektrisches Netz im Normalzustand zu simulieren, kann es Anomalien unabhängig von der Ursache erkennen“, so die Experten.
Das Modell könne die genaue Ursache der Anomalien nicht lokalisieren, bestimme aber, welcher Teil des Energiesystems ausfällt. Mit dem Modell kann der Zustand des Stromnetzes überwacht und ein Netzausfall innerhalb einer Minute gemeldet werden.
bbabo.Net