Der Beitrag mit dem Titel "PrOuD: Probabilistic Outlier Detection Solution for Time Series Analysis on Real-world Photovoltaic Inverters" von Yujiang He, Zhixin Huang, Stephan Vogt und Bernhard Sick ist im Journal Energies (MDPI) erschienen. Diese Forschungsarbeit befasst sich mit der Undurchsichtigkeit von Methoden zur Erkennung von Anomalien in der Zeitreihenanalyse, insbesondere in realen Anwendungen, und schlägt eine mathematische Analyse von Anomalien und Neuerungen in multivariaten Zeitreihen vor. Die Studie stellt PrOuD vor, eine Lösung, die für interpretierbare Erkennungsergebnisse entwickelt wurde und die Monte-Carlo-Schätzung nutzt, um Vorhersageunsicherheit in geschätzte Ausreißerunsicherheit umzuwandeln. Experimentelle Ergebnisse mit künstlichen und realen Photovoltaik-Wechselrichterdaten zeigen die Genauigkeit von PrOuD bei der Erkennung von aufkommenden Anomalien und bieten Fachleuten ein zuverlässiges Werkzeug für eine effiziente Zeitreihendiagnose und das Clustering anomaler Muster.

Der Beitrag mit dem Titel "PrOuD: Probabilistic Outlier Detection Solution for Time Series Analysis on Real-world Photovoltaic Inverters" von Yujiang He, Zhixin Huang, Stephan Vogt und Bernhard Sick ist im Journal Energies (MDPI) erschienen. Diese Forschungsarbeit befasst sich mit der Undurchsichtigkeit von Methoden zur Erkennung von Anomalien in der Zeitreihenanalyse, insbesondere in realen Anwendungen, und schlägt eine mathematische Analyse von Anomalien und Neuerungen in multivariaten Zeitreihen vor. Die Studie stellt PrOuD vor, eine Lösung, die für interpretierbare Erkennungsergebnisse entwickelt wurde und die Monte-Carlo-Schätzung nutzt, um Vorhersageunsicherheit in geschätzte Ausreißerunsicherheit umzuwandeln. Experimentelle Ergebnisse mit künstlichen und realen Photovoltaik-Wechselrichterdaten zeigen die Genauigkeit von PrOuD bei der Erkennung von aufkommenden Anomalien und bieten Fachleuten ein zuverlässiges Werkzeug für eine effiziente Zeitreihendiagnose und das Clustering anomaler Muster.