基于上下文无关学习的电网异常检测

电网运营商用来防范自然发生或恶意造成的故障的重要工具，包括检测电力系统 SCADA 数据中的异常。在本文中，我们旨在解决实时异常检测问题。给定来自电网上固定传感器组的时间序列测量值，我们能否识别网络拓扑或测量数据中的异常？现有方法主要基于优化，大多仅使用测量值的单一快照，且随网络规模的可扩展性较差。最近的数据驱动 ML 技术通过结合当前和历史数据进行异常检测，展现出了潜力，但通常未考虑物理属性（如拓扑或负荷/发电变化对传感器测量的影响），因此无法适应历史数据中常规的上下文变化。为了填补这一空白，我们提出了一种新颖的上下文感知异常检测算法 GridCAL，该算法考虑了常规拓扑和负荷/发电变化的影响。该算法将实时潮流测量值转换为上下文无关值，使我们能够以聚合方式分析来自不同电网上下文的测量值，从而推导出统一的统计模型，作为异常检测的基础。通过对多达 2383 个节点的网络进行数值模拟，我们表明我们的方法是准确的，优于 SOTA 方法，且计算效率高。