本次组会介绍论文《Smart power consumption abnormality detection in buildings using micromoments and improved K‐nearest neighbors》，主要从以下方面介绍：

介绍理由：

对现有功耗异常检测方案的分类进行全面概述
收集新的异常检测数据集（QUD）
提出了一种使用 OCSVM (UAD-OCSVM) 的新型无监督异常检测方 法
提出了一种使用微矩 (SAD-M2) 的新型监督异常检测，它使用 IKNN模型来学习使用微矩范式定义的消耗异常。（IKNN，与传统的 KNN 和其他 ML 方法相比，它可以提高异常检测性能，并且可以进一步减少计算时间。）

科研背景：

目前存在的相关研究方法有各自的优点，但它们也显示出不同的缺点和局限性。
明确地，在能耗中检测用电异常会遇到以下问题和挑战：
缺乏对正常和异常能源使用的精确定义；
正常和异常能源消耗行为之间没有明确的界限；
缺乏带标签的数据集；
使得电力异常检测解决方案的开发成为一项具有挑战性的任务。

科研问题：

如何识别电气设备中的能源异常消耗？
解决此科研问题原因：
能源消耗异常检测是开发高效节能系统、减少整体能源消耗和减少碳排放的关键一步。实现能源消耗异常检测这一目标并告知最终用户他们的能源消耗足迹，并为他们提供改善习惯的建议。在这种情况下，节能有助于促进可持续行为，也有助于减少总能源消耗

方法：

1.OCSVM（无监督）

2.SAD-M2（有监督）

结论：