[論文レビュー] An Unsupervised Learning Method for Early Event Detection in Smart Grid with Big Data.

Xing He, Robert C. Qiu+2 more|arXiv (Cornell University)|Jan 31, 2015

Sparse and Compressive Sensing Techniques参考文献 33被引用数 3

ひとこと要約

本論文は、高次元でラベルなしの大容量データを分析するために、確率的行列理論（RMT）を用いた教師なし学習手法を提唱し、スマートグリッドにおける早期イベント検出（EED）を実現する。平均スペクトルエネルギー半径（MSR）を計算し、それを3次元パワー図として可視化することで、システムモデルやラベル付きデータに依存せずに、高速で客観的かつ頑健なEEDを実現する。ノイズや不正データといったデータ課題に対しても、従来手法を上回る性能を発揮する。

ABSTRACT

Early Event Detection (EED) is becoming increasingly complicated in smart grids, due to the exploration of data with features of volume, velocity, variety, and veracity (i.e. 4Vs data). This paper develops a data-driven unsupervised learning method based on random matrix theory (RMT) to handle this challenge problem. Compared to model-based methods, datadriven ones conduct data analysis requiring no knowledge of the system model/topology based on assumptions or simplifications. On the other hand, compared to supervised learning methods, unsupervised ones extract analysis directly from the raw data without any label. The proposed method using to processing all the raw data rather than only the labeled ones, calculates the mean spectral energy radius (MSR) as high-dimensional statistic and visualize it to form 3D power-map for EED. This method is easier in logic, faster in speed, and more universal and objective. Moreover, it is veracious and robust to traditional EED challenges such as error accumulations, spurious correlations, incidental correlations, and even bad data existence in the core area. Case studies with both simulated data and realistic data validate the effectiveness and higher performance of the proposed method for EED execution in smart grids.

研究の動機と目的

• ビッグデータの4V（ボリューム、ボリュームティ、バリエーション、バリディティ）に起因するスマートグリッドにおける早期イベント検出（EED）の複雑化に対処する。
• システムトポロジーの知識やラベル付きデータを必要とするモデルベースおよび教師あり学習手法の限界を克服する。
• 仮定や単純化なしに、直接的に生データ上で動作するデータ駆動型で教師なしのアプローチを開発する。
• 誤差の蓄積、誤った相関関係、不正データといったEEDの一般的な課題に対する頑健性を向上させる。
• 高次元統計を用いた新しい可視化技術により、普遍的で客観的かつ効率的なEEDを実現する。

提案手法

• システムモデルを必要とせず、高次元スマートグリッドデータの統計的性質を分析するために、確率的行列理論（RMT）を用いる。
• システム全体のエネルギー分布パターンを捉えるために、高次元統計として平均スペクトルエネルギー半径（MSR）を計算する。
• MSRを3次元パワー図として可視化することで、異常や早期イベントの直感的検出を可能にする。
• ラベル付きまたは事前に選択されたサブセットに依存せず、すべての利用可能な生データを処理することで、データ利用効率と客観性を高める。
• 教師なし学習を用いて、真のラベルに依存せずにデータから直接パターンを抽出する。
• RMTに基づく頑健性により、不正データや偶然の相関といったデータ品質の問題に対しても耐性を示す。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、ラベル付きデータやシステムトポロジーの知識に依存せずにスマートグリッドにおける早期イベント検出を実現できるか？
• RQ2 確率的行列理論は、スマートグリッドの高次元でラベルなしのデータから、EEDに有用なパターンを効果的に抽出できるか？
• RQ3 提案されたMSRベースの3次元パワー図可視化は、従来手法と比較して、検出速度と客観性をどのように向上させるか？
• RQ4 不正データ、誤った相関関係、誤差の蓄積といったデータ品質の問題に対して、この手法はどの程度頑健か？
• RQ5 この手法は、シミュレーテッド環境と実世界のスマートグリッドデータの両方のシナリオにおいて、高い性能を維持できるか？

主な発見

• 提案手法は、モデルベースおよび教師あり手法と比較して、処理が高速で論理が単純である。
• MSRベースの3次元パワー図可視化により、事前の仮定なしに、普遍的で客観的な早期イベント検出が可能になる。
• 誤差の蓄積、誤った相関関係、偶然の相関関係に対しても、この手法は頑健である。
• 不正データがコアデータストリームに存在しても、依然として有効であるため、実世界への適用性が向上する。
• シミュレーテッドデータおよび実データを用いた事例研究により、EEDタスクにおける本手法の優れた性能と有効性が確認された。