面向可解释性的功率因果 ODE 网络：用于电力系统的异常检测与根因分析统一模型
机器学习
2026-02-16 v1 人工智能
摘要
异常检测和根因分析（RCA）是确保网络控制系统如电网安全和韧性的关键任务。然而，现有的基于时间序列的异常检测机器学习模型常常是黑箱，仅提供二元输出，无法提供解释，例如识别异常类型和来源。为此，我们提出 Power Interpretable Causality Ordinary Differential Equation（PICODE）网络，一种统一的、以因果为导向的架构，联合执行异常检测及其被检测为异常的解释，包括根因定位、异常类型分类和异常形状特征化。在电力系统中的实验结果表明，PICODE 在检测性能方面达到有竞争力的水平，同时在可解释性和减少对标记数据或外部因果图的依赖方面得到改善。我们提供理论结果，表明异常函数的形状与提取因果图的权重变化相吻合。
引用
@article{arxiv.2602.12592,
title = {Power Interpretable Causal ODE Networks: A Unified Model for Explainable Anomaly Detection and Root Cause Analysis in Power Systems},
author = {Yue Sun and Likai Wang and Rick S. Blum and Parv Venkitasubramaniam},
journal= {arXiv preprint arXiv:2602.12592},
year = {2026}
}