Executive Secretary

21st International Symposium on Electrical Engineering

SIE 2025

Development of an Anomaly Detection Algorithm for Industrial Electrical Systems

Abstract

Abstract: Conventional methods (SCADA, Fourier analysis, PCA) for anomaly detection in industrial electrical systems fail to capture complex temporal dynamics and non-linear patterns in large data volumes, leading to false positives and operational risks. To develop and implement a hybrid Autoencoder-LSTM model for early detection of electrical anomalies, validating it in simulated and real operational environments. Real (SCADA) and simulated (MATLAB/Simulink, OpenDSS) data (voltage, current, power, temperature) were preprocessed (KNN imputation, normalization). An Autoencoder-LSTM with encoder (LSTM layers: 256-128-64), latent space (32 dimensions), and symmetric decoder was trained using Adam (MSE loss, dropout 0.2). Detection used sliding windows (50 samples) and a 95th percentile reconstruction error threshold. The model achieved 96.8% accuracy, 94.7% sensitivity, 0.982 AUC, and <2% false positives, outperforming traditional methods. It identified critical anomalies (e.g., phase imbalance) in <0.5s, demonstrating noise robustness and optimal efficiency with 50-sample windows. The proposed solution significantly enhances early fault detection through deep learning, reducing operational costs and risks. Its hybrid architecture sets a new standard for predictive monitoring in energy and manufacturing. Future work will optimize embedded hardware deployment and integrate explainable AI (XAI).

Resumen

Problemática: La detección de anomalías en sistemas eléctricos industriales enfrenta limitaciones con métodos convencionales (SCADA, análisis de Fourier, PCA), incapaces de capturar dinámicas temporales complejas y patrones no lineales en grandes volúmenes de datos, generando falsos positivos y riesgos operativos.

El objetivo de esta investigacion es desarrollar e implementar un modelo híbrido Autoencoder-LSTM para detección temprana de anomalías eléctricas, validándolo en entornos simulados y operativos reales. Se utilizaron datos reales (SCADA) y simulados (MATLAB/Simulink, OpenDSS) de tensión, corriente, potencia y temperatura. Tras preprocesamiento (imputación KNN, normalización), se diseñó un Autoencoder-LSTM con codificador (capas LSTM: 256-128-64), espacio latente (32 dimensiones) y decodificador simétrico, entrenado con Adam (MSE, dropout 0.2). La detección empleó ventanas deslizantes (50 muestras) y umbral del percentil 95 del error de reconstrucción. El modelo alcanzó 96.8% de precisión, 94.7% sensibilidad, 0.982 AUC y <2% falsos positivos, superando métodos tradicionales. Identificó anomalías críticas (ej. desbalances de fase) en <0.5s, demostrando robustez ante ruido industrial y eficiencia en ventanas de 50 muestras. La solución propuesta mejora significativamente la detección temprana de fallas eléctricas mediante aprendizaje profundo, reduciendo costos operativos y riesgos. Su arquitectura híbrida establece un nuevo estándar para monitoreo predictivo en energía y manufactura. Futuras investigaciones optimizarán su implementación en hardware embebido e integrarán explainable AI (XAI).