基于决策树的自动编码网络的异常能耗检测方法

文献来源

（1）Himeur, Yassine, et al. “A novel approach for detecting anomalous energy consumption based on micro-moments and deep neural networks.” Cognitive Computation 12.6 (2020): 1381-1401.
（2）Himeur, Yassine, et al. “Smart power consumption abnormality detection in buildings using micromoments and improved K‐nearest neighbors.” International Journal of Intelligent Systems 36.6 (2021): 2865-2894.
（3）Aguilar D L, Perez M A M, Loyola-Gonzalez O, et al. Towards an interpretable autoencoder: A decision tree-based autoencoder and its application in anomaly detection[J]. IEEE Transactions on Dependable and Secure Computing, 2022.

科研背景

选择SVM方法时：
DRED数据集准确率和F1-分数达到97.41%
QUD数据集准确率和F1-分数分别达到67.9%和44.59%，均不足70%

选择DNN和KNN方法时：

效果较好，但数据集还有可考虑的属性，例如：温度，湿度，季节等。

方法：

结果

本次组会主要介绍阅读到的一种建筑能耗异常检测的方法

将从以下几个方面展开介绍：

科研背景、科研问题、科研目的、方法、将来的工作、个人思考与总结

科研背景：

（1）全世界的建筑贡献约占总能源消耗的三分之一。研究报告称，由故障和设备使用异常引起的能源消耗异常浪费了高达20%的能源。

（2）实时检测这种异常并识别异常设备可以节省12%以上的能源。

科研问题：

（1）不能实现实时检测异常，不能及时反馈给用户。
（2）只能检测异常不能识别异常设备。

科研目的：

提出一种近实时的异常检测技术，通过使用现成的设备的额定功率来识别异常设备。

方法：

整体步骤：首先，它利用历史能源数据和上下文信息来预测目标日的能源消耗。其次，如果预测的能耗与实际能耗存在显著差异，则标记为异常。最后，通过比较预测的能耗和实际能耗与家用电器的额定能耗之间的差异，来识别异常电器。

将来工作

（1）不同的设备可能存在相同的设备额定功率，因此利用设备额定功率以及设备时间序列功率信号共同来实现异常设备的识别；

（2）Rimor不能区分可操作和不可操作的异常，因此计划使用主动学习方法来区分异常。

个人思考与总结

（1）没有实现复现，继续实现

（2）需要阅读更多的文献

本次组会将会介绍阅读论文后产生的想法思路《基于区块链的V2V能源交易框架》，主要从以下几个方面介绍：

科研背景

• 配备了“充电-放电”双向系统的电动汽车作为移动储能载体可以进行 V2V 的能源交易。
• 车载单元（On board unit, OBU），可以存储本车的信息， 也可以向其他车辆以及路边单元（Roadside Unit, RSU）发送信息。

科研问题

• 通信和计算负载随着网络规模呈指数级增长，传统区块链中的交易吞吐量太低，无法支持V2V网络中不断增加的频繁交易。
• 能源交易双方涉及到利益关系，交易双方都期望可以最大化各自的利益，交易双方均对定价满意度高时，用户参与能源交易的积极性才会提高。一般的匹配问题未充分考虑交易定价问题。

科研目的

• 提出一种基于有向无环图的V2V网络，高吞吐量，快速处理交易。
• 智能合约充当定价机构。采用博弈论模型，在不涉及双方隐私的前提下，优化电动汽车的充放电行为，在车辆之间以最优交易方案进行协商，从而实现社会福利最大化。

方法

静态贝叶斯博弈问题——双向报价拍卖

基于DAG的共识机制——Hashgraph

研究计划

• 继续查找相关文献
• 完善整体思路

本次组会将进行《网络安全威胁情报文本信息抽取研究》研究进展情况，报告内容分为：科研背景，科研问题，提示学习和基于预训练方式的区别、提示学习的步骤，提示学习在信息抽取方面的相关工作以及最近的实验安排和计划，其主要内容如下:

科研背景：

• 网络威胁情报文本利用收集、完善和分析收集到的网络攻击信息来应对网络空间领域中存在的威胁[Brown R，2019]。
• 由于攻击或者恶意软件的变种层出不穷，为了应对这些攻击或者恶意软件而产生的网络威胁情报也与日俱增。随之而来的是各种专有名词不断涌现，而且普遍存在大量的缩写词，人工识别费时费力，并且实体之间的关系难以界定。
• 网络安全知识图谱主要组成部分：网络安全三元组(<e₁，Relation， e₂>)。在构建知识图谱的过程中，从这些非结构化文本中提取网络安全实体是一项关键和基本的任务。
• 提示学习是人工设计提示模板和 答案模板，在信息抽取工作上取得了不错的效果。

科研问题：

• 对网络安全威胁情报的即时分析是安全专家面临的一个挑战，因为每天生成的网络信息量无法估量。这就需要自动化的信息抽取工具来准确地抽取威胁情报所隐含的信息，继而构建网络安全三元组构建知识图谱来方便查询和检索数据。

科研目的：

• 利用提示学习，尝试构建命名实体识别模型，用于识别出威胁情报句子中的实体类型。

提示学习的步骤：

提示学习和基于预训练模型方法的区别：

• Pretrain+Fine-tuning的解决方案，需要对于每个任务都重新 fine-tune 一个新的模型，且不能共用。
• Prompt Tuning 对于不同的任务重新定义，仅需要插入不同的prompt 参数，每个任务都单独训练Prompt 参数，让下游任务满足预训练方法。

宏观图景框架：

由于提示学习的特性，准备利用提示学习构建命名实体识别模型，构造命名实体识别模板，通过提示学习完成威胁情报句子中的实体类型。之后对于存在两个实体以上的句子利用提示学习方法来完成网络安全三元组的抽取。

本次组会主要介绍最近阅读关于负荷预测以及迁移学习一些进展以及思路，暂且将最近研究进展命名为“基于迁移学习与非侵入式负荷监测的多用户智能电表短期负荷预测”

将从以下几个方面展开介绍：

科研背景、科研问题、科研目的、方法、将来的工作、个人思考与总结

①科研背景：据能源调查显示，全球能源约30%能源被家庭用户消耗，并且越来越多的智能电表被普及，通过智能电表显示，可以调研一些更细粒度的数据，通过研究这些数据可以更好的了解用户的能耗习惯，对家庭能耗级别用电量进行预测可以更好从需求侧进行电力的供应。

②科研问题：如果对每个家庭用户单独建模会造成很大的计算开销，并且预测精度会存在问题。

③科研目的：使用迁移学习的思路，首先对一个中心模型进行模型训练，然后根据每个家庭能耗习惯的相似度进行权重的调正可以节省计算资源；引入非侵入式负荷监测进行能耗的分解，将分解后的能耗数据作为迁移学习训练的数据可以提高预测精度。

④方法：

⑤如果该思路具备一定的可行性。考虑纵向整合这些数据可以提高整体小区的预测精度；从横向角度来看，以家庭为单位的预测粒度可以更好的分析用户的消费习惯。

⑥在接下来的工作中，将继续调研关于负荷监测以及迁移学习相关内容完善思路，以及寻找合适的数据集开展下一步工作。