基于混合 AI 的相量测量单元数据异常检测模型
机器学习
2022-09-27 v1 人工智能
系统与控制
系统与控制
摘要
过去几十年中，信息通信技术的广泛使用一直是电力系统数字化的主要驱动力。对关键电网基础设施的恰当与安全监控已成为现代电力系统不可或缺的一部分。使用相量测量单元（PMU）来监测电力系统是颇具前景的技术之一。更高的测量频率与更智能的数据处理方法可提升可靠运行电网的能力。日益增长的网络-物理交互带来益处的同时也有弊端，其中弊端之一表现为测量数据中的异常。异常可由电网中的物理故障，以及网络层中的扰动、错误和网络攻击引起。本文旨在开发一种基于混合 AI 的模型，该模型基于长短期记忆（LSTM）、卷积神经网络（CNN）及其他相关混合算法等多种方法，用于相量测量单元数据中的异常检测。本研究使用的数据集由德克萨斯大学获取，包含来自电网测量的真实数据。除真实数据外，还分析了为产生异常而注入的虚假数据。文中讨论了此类异常的影响及预防的缓解方法。
引用
@article{arxiv.2209.12665,
title = {Hybrid AI-based Anomaly Detection Model using Phasor Measurement Unit Data},
author = {Yuval Abraham Regev and Henrik Vassdal and Ugur Halden and Ferhat Ozgur Catak and Umit Cali},
journal= {arXiv preprint arXiv:2209.12665},
year = {2022}
}