[論文レビュー] Evaluating GAN-LSTM for Smart Meter Anomaly Detection in Power Systems

Fahimeh Orvati Nia, Shima Salehi+1 more|arXiv (Cornell University)|Jan 14, 2026

Electricity Theft Detection Techniques被引用数 0

ひとこと要約

論文はLEADデータセットにおけるスマートメーター異常検知のためのGAN-LSTMフレームワークを系統的に評価し、ベースラインを大幅に上回るF1スコア0.89を示します。

ABSTRACT

Advanced metering infrastructure (AMI) provides high-resolution electricity consumption data that can enhance monitoring, diagnosis, and decision making in modern power distribution systems. Detecting anomalies in these time-series measurements is challenging due to nonlinear, nonstationary, and multi-scale temporal behavior across diverse building types and operating conditions. This work presents a systematic, power-system-oriented evaluation of a GAN-LSTM framework for smart meter anomaly detection using the Large-scale Energy Anomaly Detection (LEAD) dataset, which contains one year of hourly measurements from 406 buildings. The proposed pipeline applies consistent preprocessing, temporal windowing, and threshold selection across all methods, and compares the GAN-LSTM approach against six widely used baselines, including statistical, kernel-based, reconstruction-based, and GAN-based models. Experimental results demonstrate that the GAN-LSTM significantly improves detection performance, achieving an F1-score of 0.89. These findings highlight the potential of adversarial temporal modeling as a practical tool for supporting asset monitoring, non-technical loss detection, and situational awareness in real-world power distribution networks. The code for this work is publicly available

研究の動機と目的

• 非定常・多尺度条件下でAMIデータの異常検知を動機付ける。
• 正常な消費の分布をモデル化し異常を検出するためにGAN–LSTMフレームワークの有効性を評価する。
• 統一パイプラインを用いて統計的・カーネルベース・再構成ベース・GANベースのベースラインとGAN-LSTMをベンチマークする。
• 資産モニタリング・非技術的損失・グリッド状況認識に関する Utilities への示唆を提供する。

提案手法

• 3層スタック生成器（32, 64, 128）と100次元潜在ベクトルを用いて60時間系列を生成するGAN–LSTMを使用。
• 通常の窓のみを訓練して典型的な消費の分布を学習する。
• テスト時に潜在空間最適化を適用して残差損失と識別器特徴損失から異常スコアを算出する。
• 検証データ上でグローバルな異常閾値を計算してテスト窓を分類する。
• 建物ごとに正規化し、1時間の訓練ストライドと60時間のテストストライドを用いた60時間スライディングウィンドウを適用する。

Figure 1: Overview of the GAN-LSTM anomaly detection pipeline. Top: preprocessing and windowing. Center: adversarial training of the LSTM-based generator and discriminator on normal windows only. Bottom: test-time latent-space optimization with frozen networks to compute anomaly scores and final cla

実験結果

リサーチクエスチョン

• RQ1 GAN-LSTMはLEADデータの異常検知のために正常なスマートメータ消費を効果的にモデル化できるか？
• RQ2 unifiedパイプラインの下でGAN-LSTMは統計的・カーネルベース・再構成ベース・他のGANベースのベースラインとどう比較されるか？
• RQ3 テスト建物でGAN-LSTMが達成する実用的な性能指標（精度・適合率・再現率・F1・ROC AUC）は何か？
• RQ4 多変量または文脈豊富なスマートメータデータに対する敵対的時系列モデルの適用の限界と将来の方向性は何か？

主な発見

Method	Accuracy	Precision	Recall	F1-Score	ROC AUC
Isolation Forest	57.83%	0.54	0.51	0.52	0.59
One-Class SVM	60.17%	0.57	0.56	0.56	0.61
LSTM Autoencoder	65.42%	0.61	0.59	0.60	0.70
Attention LSTM Autoencoder	68.93%	0.65	0.63	0.64	0.74
Variational Autoencoder	67.58%	0.63	0.61	0.62	0.72
TAnoGAN	71.86%	0.69	0.66	0.67	0.77
GAN-LSTM	89.73%	0.88	0.89	0.89	0.83

• GAN-LSTMは206のテスト建物で89.73%の精度を達成。
• GAN-LSTMは精度0.88・再現率0.89・F1スコア0.89を達成。
• GAN-LSTMはROC AUC0.83を達成。
• GAN-LSTMはLEADデータセットでIsolation Forest、One-Class SVM、LSTM Autoencoder、Attention LSTM Autoencoder、Variational Autoencoder、TAnoGANを大幅に上回る。
• ベースラインと比較して、GAN-LSTMはスマートメータ異常検知における敵対的時系列モデリングの有効性を示す。

Figure 2: Confusion matrix for the GAN-LSTM model on the test windows.