麻省理工学院-IBM沃森人工智能实验室(Watson AI Lab)的研究人员正在使用人工智能解决电网故障。他们开发了一种机器学习模型，可以分析从美国电网中数十万个传感器收集到的数据。
这些传感器，即所谓的同步相量技术的组成部分，可以汇聚大量与电流和电压相关的实时数据，以监测电网的健康状况，并定位可能导致停电的异常情况。
由于传感器产生的数据流的大小和实时性，同步相量分析需要密集的计算资源。如研究人员的论文中所定义的那样，快速提取数据以进行异常检测，或者“识别明显偏离大多数数据实例的异常样本的任务”可能存在困难。
由于传感器收集的数据大多是非结构化的，因此ML模型可以在没有标注数据的情况下进行训练。
“在电网的例子中，人们试图使用统计数据来捕获数据，然后用领域知识定义检测规则。例如，如果电压激增一定百分比，那么电网运营商应该收到警报。这种基于规则的系统，即使有统计数据分析的授权，也需要大量的劳动力和专业知识。如今证明，可以实现这一过程的自动化，也可以使用先进的机器学习技术从数据中学习模式。”
为了开发这种ML模型，研究人员首先将异常定义为低概率事件，并通过将电网数据集定义为概率分布来估计概率密度。这允许检测与异常相关的低密度值或低概率事件。
对于这样复杂的数据，概率分布是很棘手的，研究人员使用了一种称为归一化流的深度学习模型来评估概率密度。归一化流模型使用贝叶斯网络进行缩放，贝叶斯网络是一个能够学习传感器如何工作和它们如何交互的图形。图结构允许在数据中进行模式识别，从而更准确地检测异常。
据《麻省理工新闻》报道，“贝叶斯网络将多个时间序列数据的联合概率分解成更简单的条件概率，更容易参数化、学习和评估。”结果表明，由于图的概率化简，ML模型能够独立地学习图。
研究人员感兴趣的是，在实现异常检测之外的其他方法时，如何将这些模型扩展到越来越大的图形中使用。由于其可适应的方法，该技术可以应用于其他具有复杂数据收集和分析的领域，包括与交通模式和监测相关的领域。
“一旦该模型投入使用，它将继续从稳定的传感器数据流中学习，适应可能的数据分布漂移，并随着时间的推移保持准确性。”在《麻省理工学院新闻》的文章中描述到。
