Виявлення аномальної поведінки людини у MicroGrid на базі машинного навчання

Скорочена інформація про документ
dc.contributor.authorКомаревич, Олександр Миколайович
dc.contributor.authorХохлов, Юрій Віталійович
dc.contributor.authorЯмненко, Юлія Сергіївна
dc.date.accessioned2020-04-30T20:01:23Z
dc.date.available2020-04-30T20:01:23Z
dc.date.issued2018
dc.description.abstractenDevelopment of electronic systems and intellectual controls and information exchange has led to the formation of a new informatics and energy concept SmartGrid, which addresses the local electrical engineering objects - MicroGrid. MicroGrid contains a certain set of sources and loads that are typically connected to a centralized power grid. As part of MicroGrid, there are a number of management and device-specific tasks that result in the need to handle large information flows. Compared to fully automated systems, Microgrid is characterized by the presence of a person, which leads to the need to take into account subjective factors - the presence of a person, its interference in the functioning of electrical equipment and the impact of his actions on the working modes of the whole system. The presence of a human factor leads to the need to operate large volumes of data. In turn, it forces researchers to turn to specialized methods of working with large data (Big Data). Big Data is a series of approaches, tools and methods for processing structured and unstructured data of large volumes to produce results that are suitable for human perception and effective in the conditions of their continuous increase. To solve the problem of processing large amounts of data, it is necessary to use methods of machine learning (Machine Learning). Machine Learning as a branch of informatics uses statistical techniques to give computer systems the ability to "learn" (that is, to gradually improve performance in a particular task) without explicit programming. In this paper, Anomaly Detection was considered as one of the Machine Learning tools for defining anomalies in MicroGrid. One of the regime in MicroGrid that was considered as anomaly is non-usual activity, non-typical behavior of the person – “human factor”. Research directed to revealing of non-typical (abnormal) behavioral models is topical for the systems of psycho-physiological monitoring of elderly people, persons who need constant observation and care, persons in post-stress condition or under the extraordinary conditions. Subjective factors, in turn, can cause the appearance of emissions as a result of false interpretation or unauthorized human intervention in the work of technical equipment. In the analysis of behavioral characteristics, the task of choosing from the whole set of parameters describing the behavior and movement of a person, the very decisive parameters on the basis of which it is possible to detect emissions or novelty of behavior. In the application to distributed generation MicroGrid, the problem of detecting user behavior abnormalities is considered. The problem is solved by the use of Machine Learning methods, in particular, the Anomaly Detection method. As the key parameters for the simplest case of detecting abnormal behavior, we consider the average power consumption at five-minute intervals, as well as the number of triggers of the motion sensor installed in the MicroGrid indoor space.uk
dc.description.abstractruВ применении к системе распределенной генерации MicroGrid рассмотрена задача выявления аномалий поведения пользователя. Задача решается с привлечением методов машинного обучения (Machine Learning), в частности, метода детектирования аномалий (Anomaly Detection). В качестве ключевых параметров для простейшего случая задачи обнаружения аномального поведения рассмотрено усредненное электропотребление за пятиминутные промежутки времени, а также количество срабатываний датчика движения, установленного в помещении MicroGrid.uk
dc.description.abstractukУ застосуванні до системи розподіленої генерації MicroGrid розглянуто задачу виявлення аномалій поведінки користувача. Задача вирішується із залученням методів машинного навчання (Machine Learning), зокрема, методу детектування аномалій (Anomaly Detection). В якості ключових параметрів для найпростішого випадку задачі виявлення аномальної поведінки розглянуто усереднене електроспоживання за п’ятихвилинні проміжки часу, а також кількість спрацювань датчика руху, встановленого у приміщенні MicroGrid.uk
dc.format.pagerangeС. 36-41uk
dc.identifier.citationКомаревич, О. М. Виявлення аномальної поведінки людини у MicroGrid на базі машинного навчання / Комаревич О. М., Хохлов Ю. В., Ямненко Ю. С. // Мікросистеми, Електроніка та Акустика : науково-технічний журнал. – 2018. – Т. 23, № 4(105). – С. 36–41. – Бібліогр.: 12 назв.uk
dc.identifier.doihttps://doi.org/10.20535/2523-4455.2018.23.4.143310
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/33158
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/uk
dc.sourceМікросистеми, Електроніка та Акустика : науково-технічний журнал, 2018, Т. 23, № 4(105)uk
dc.subjectMicroGriduk
dc.subjectAnomaly Detectionuk
dc.subjectMachine Learninguk
dc.subject.udc004.942:519.876uk
dc.titleВиявлення аномальної поведінки людини у MicroGrid на базі машинного навчанняuk
dc.title.alternativeDetecting Abnormal Human Behavior in Microgrid Based on Machine Learninguk
dc.title.alternativeВыявление аномального поведения человека в MicroGrid на базе машинного обученияuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
MEA2018_23-4_p36-41.pdf
Розмір:
359.01 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Мікросистеми, Електроніка та Акустика: науково-технічний журнал, Т. 23, № 4(105)