用于高渗透率 DERs 电力配电系统异常检测的多变量物理驱动卷积自编码器
系统与控制
2025-10-31 v1 人工智能
机器学习
系统与控制
摘要
尽管深度学习模型在分析网络在网络物理事件下的系统状况方面取得了显著进展，但其在电力系统领域的能力仍受数据可获得性问题、数据获取成本以及难以对训练窗口之外的数据进行解释和外推的限制。此外，分布式能源资源（DERs）如风力和太阳能发电的集成增加了电力系统的复杂性和非线性特性。因此，一种可解释且可靠的方法对于增加电力系统操作员的信心并提高其情境意识，以做出可靠决策至关重要。这促使开发了物理驱动神经网络（PINN）模型，作为更可解释、可信赖且稳健的模型，其中集成了底层原则性法则，以实现更好的性能。本文提出了一个多变量物理驱动卷积自编码器（PIConvAE），用于检测电力配电系统中的网络异常，该系统具有不平衡的配置和高渗透率的 DERs。通过定制化的损失函数将底层的基尔霍夫回路规律嵌入到自编码器的训练过程中。我们在两个不平衡的电力配电网格上评估了多变量 PIConvAE 模型：IEEE 123 节点系统和加州 Riverside 的一个实际配电线路。结果表明，该方法在检测两者系统中的各种网络异常方面表现卓越。此外，还在不同训练数据比例下的数据稀缺情景中评估了该模型的有效性。最后，将该模型的性能与现有的机器学习模型进行了比较，其中 PIConvAE 模型在检测指标上显著优于其他模型。
引用
@article{arxiv.2406.02927,
title = {Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs},
author = {Mehdi Jabbari Zideh and Sarika Khushalani Solanki},
journal= {arXiv preprint arXiv:2406.02927},
year = {2025}
}