麻省理工學院-IBM沃森人工智能實驗室(Watson AI Lab)的研究人員正在使用人工智能解決電網故障。他們開發了一種機器學習模型，可以分析從美國電網中數十萬個傳感器收集到的數據。

這些傳感器，即所謂的同步相量技術的組成部分，可以匯聚大量與電流和電壓相關的實時數據，以監測電網的健康狀況，并定位可能導致停電的異常情況。

由于傳感器產生的數據流的大小和實時性，同步相量分析需要密集的計算資源。如研究人員的論文中所定義的那樣，快速提取數據以進行異常檢測，或者“識別明顯偏離大多數數據實例的異常樣本的任務”可能存在困難。

由于傳感器收集的數據大多是非結構化的，因此ML模型可以在沒有標注數據的情況下進行訓練。

“在電網的例子中，人們試圖使用統計數據來捕獲數據，然后用領域知識定義檢測規則。例如，如果電壓激增一定百分比，那么電網運營商應該收到警報。這種基于規則的系統，即使有統計數據分析的授權，也需要大量的勞動力和專業知識。如今證明，可以實現這一過程的自動化，也可以使用先進的機器學習技術從數據中學習模式?！?/p>

為了開發這種ML模型，研究人員首先將異常定義為低概率事件，并通過將電網數據集定義為概率分布來估計概率密度。這允許檢測與異常相關的低密度值或低概率事件。

對于這樣復雜的數據，概率分布是很棘手的，研究人員使用了一種稱為歸一化流的深度學習模型來評估概率密度。歸一化流模型使用貝葉斯網絡進行縮放，貝葉斯網絡是一個能夠學習傳感器如何工作和它們如何交互的圖形。圖結構允許在數據中進行模式識別，從而更準確地檢測異常。

據《麻省理工新聞》報道，“貝葉斯網絡將多個時間序列數據的聯合概率分解成更簡單的條件概率，更容易參數化、學習和評估。”結果表明，由于圖的概率化簡，ML模型能夠獨立地學習圖。

研究人員感興趣的是，在實現異常檢測之外的其他方法時，如何將這些模型擴展到越來越大的圖形中使用。由于其可適應的方法，該技術可以應用于其他具有復雜數據收集和分析的領域，包括與交通模式和監測相關的領域。

“一旦該模型投入使用，它將繼續從穩定的傳感器數據流中學習，適應可能的數據分布漂移，并隨著時間的推移保持準確性?！痹凇堵槭±砉W院新聞》的文章中描述到。