Програмний модуль виявлення аномалій у смарт-системі обліку на основі ансамблевих методів машинного навчання

Abstract

Метою кваліфікаційної роботи є розроблення програмного модуля виявлення аномалій у смарт-системі обліку на основі ансамблевих методів машинного навчання та оцінювання його ефективності на даних обліку. Методи досліджень включають методи системного аналізу, статистичної обробки часових рядів, попередньої обробки даних, формування ознак, машинного навчання, ансамблевої класифікації, а також методи моделювання та експериментального оцінювання якості програмного модуля. Розроблено програмний модуль виявлення аномалій у смарт-системі обліку, який забезпечує приймання даних смарт-лічильників, первинний контроль якості, очищення та підготовку вимірювань, формування ознак на основі часової динаміки споживання, виявлення підозрілих або нетипових записів за допомогою ансамблевих методів машинного навчання, а також фіксацію результатів детектування у вигляді мітки аномалії, оцінки ризику та журналу спрацювань. Результати дослідження можуть бути використані для створення та вдосконалення програмних засобів моніторингу смарт-систем обліку, автоматизації контролю якості даних, своєчасного виявлення технічних збоїв, нетипових профілів споживання та можливих маніпуляцій із показниками.

The purpose of the qualification work is to develop a software module for detecting anomalies in a smart metering system based on ensemble machine learning methods and to evaluate its effectiveness using metering data. The research methods include system analysis, statistical processing of time series, data preprocessing, feature engineering, machine learning, ensemble classification, as well as methods of modelling and experimental evaluation of the software module quality. A software module for detecting anomalies in a smart metering system has been developed. It provides the reception of smart meter data, primary quality control, cleaning and preparation of measurements, feature generation based on the temporal dynamics of consumption, detection of suspicious or atypical records using ensemble machine learning methods, as well as recording detection results in the form of an anomaly label, risk score, and alert log. The research results can be used to create and improve software tools for monitoring smart metering systems, automating data quality control, timely detection of technical failures, atypical consumption profiles, and possible manipulations with readings.