A Stacked Ensemble of Attention-Augmented Deep Learning Models for Robust Anomaly Detection in Smart Grids
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The detection of anomalies in smart meter electricity data represents a critical task for ensuring power grid stability and security, an endeavor imperative for grid modernization. This undertaking is complicated by complex temporal patterns, seasonality, and subtle irregularities that challenge conventional detection methods. To address this, a novel attention-augmented deep ensemble framework is proposed. The methodology involves the independent training of four diverse neural architectures-a Bidirectional Long Short-Term Memory (BiLSTM), a Gated Recurrent Unit (GRU), a Temporal Convolutional Network (TCN), and a Transformer model-all enhanced with attention mechanisms to capture a wide spectrum of temporal dependencies. The individual predictions are subsequently integrated via a stacking ensemble utilizing an eXtreme Gradient Boosting (XGBoost) meta-learner. By leveraging the unique strengths of recurrence, convolution, and self-attention, the hybrid architecture achieves superior anomaly detection capabilities. Empirical evaluations and ablation studies on public energy consumption data demonstrate that the framework attains a state-of-the-art F1-score of 0.572 and an AUC of 0.927, significantly outperforming individual baseline models and other deep learning architectures. The result is a practical and reliable solution for intelligent energy monitoring that combines interpretability with robust performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle