識別國家電網(wǎng)的故障就像在一個巨大的干草堆里找一根針。分布在美國各地的數(shù)十萬個相互關(guān)聯(lián)的傳感器實(shí)時捕捉電流、電壓和其他關(guān)鍵信息的數(shù)據(jù)，往往每秒鐘進(jìn)行多次記錄。麻省理工學(xué)院IBM沃森人工智能實(shí)驗(yàn)室的研究人員已經(jīng)設(shè)計(jì)出一種計(jì)算效率高的方法，可以實(shí)時自動確定這些數(shù)據(jù)流中的異常情況。??

他們證明了他們的人工智能方法，學(xué)會了對電網(wǎng)的互聯(lián)性進(jìn)行建模，在檢測這些故障方面比其他一些流行的技術(shù)要好得多。由于他們開發(fā)的機(jī)器學(xué)習(xí)模型不需要關(guān)于電網(wǎng)異常的注釋數(shù)據(jù)來進(jìn)行訓(xùn)練，它將更容易應(yīng)用于高質(zhì)量、有標(biāo)記的數(shù)據(jù)集往往難以獲得的現(xiàn)實(shí)世界。該模型也很靈活，可以應(yīng)用于其他有大量互聯(lián)傳感器收集和報(bào)告數(shù)據(jù)的情況，如交通監(jiān)控系統(tǒng)。例如，它可以識別交通瓶頸或揭示交通堵塞是如何串聯(lián)的。

研究人員首先將異?，F(xiàn)象定義為發(fā)生概率較低的事件，如電壓的突然飆升。他們將電網(wǎng)數(shù)據(jù)視為概率分布，因此，如果他們能估計(jì)出概率密度，就能確定數(shù)據(jù)集中的低密度值。那些最不可能發(fā)生的數(shù)據(jù)點(diǎn)對應(yīng)于異常點(diǎn)。

估算這些概率不是一件容易的事，特別是由于每個樣本捕獲了多個時間序列，而每個時間序列是一組隨時間記錄的多維度數(shù)據(jù)點(diǎn)。另外，捕獲所有這些數(shù)據(jù)的傳感器是有條件的，這意味著它們是以某種配置連接的，一個傳感器有時會影響其他傳感器。

為了學(xué)習(xí)數(shù)據(jù)的復(fù)雜條件概率分布，研究人員使用了一種特殊類型的深度學(xué)習(xí)模型，稱為歸一化流，它在估計(jì)樣本的概率密度方面特別有效。他們使用一種被稱為貝葉斯網(wǎng)絡(luò)的圖來增強(qiáng)該歸一化流模型，該模型可以學(xué)習(xí)不同傳感器之間復(fù)雜的因果關(guān)系結(jié)構(gòu)。種圖結(jié)構(gòu)使研究人員能夠看到數(shù)據(jù)中的模式并更準(zhǔn)確地估計(jì)異常情況。