Détection d'anomalies en temps réel dans les réseaux de smart grid utilisant l'apprentissage profond avec généralisation inter-domaines et apprentissage multitâche

La détection d'anomalies en temps réel dans les réseaux de smart grid est cruciale pour garantir la fiabilité et la sécurité des systèmes de distribution d'énergie. Les méthodes traditionnelles ont souvent du mal avec la complexité et le volume de données générés par ces réseaux. Cet article présente une nouvelle approche basée sur l'apprentissage profond qui intègre la Généralisation Inter-Domaines (CDG) et l'Apprentissage Multitâche (MTL) pour améliorer la détection d'anomalies dans les données de smart grid. En tirant parti de jeux de données diversifiés et de techniques d'apprentissage itératives, notre méthode améliore la robustesse et la généralisation du modèle. Les résultats expérimentaux montrent des améliorations significatives par rapport aux méthodes de référence, démontrant l'efficacité de notre approche. Nous fournissons des évaluations complètes et discutons des implications plus larges pour la détection d'anomalies dans les applications industrielles.