基于异常检测与机器学习的大型电网多阶段故障预警

在复杂电网的监测中，向操作员提供网络中检测到的异常的早期预警，以及对具体故障类型的精确分类与诊断至关重要。本文提出了一种用于电网故障检测、分类、子群发现与可视化的新型多阶段预警系统原型。第一阶段，一种基于四分位数的计算高效异常检测方法实时检测故障的存在。第二阶段，将故障分类为九种预定义灾害场景之一。时间序列数据首先通过基于时间自相关的降维映射到高判别性特征，然后通过支持向量机、随机森林和人工神经网络三种分类技术之一进行映射分类。最后在第三阶段，基于动态时间规整的类内聚类用于以更细粒度刻画故障。在邦纳维尔电力管理局电网数据上的结果表明：i) 所提异常检测器既快速又准确；ii) 降维显著提升了分类精度与速度；iii) 随机森林方法提供了最准确、一致且鲁棒的故障分类；iv) 给定类别内的时间序列自然分离为五个不同的簇，与电网母线的地理分布密切相关。