利用 WLS-EKF 状态估计与机器学习的电力系统异常检测与分类

电力系统状态估计正面临着不同类型的异常。这些可能包括由严重测量误差或通信系统故障引起的坏数据。根据所实施的状态估计方法，负载或发电的突变可被视为异常。此外，将电网视为信息物理系统，状态估计易遭受虚假数据注入攻击。现有的异常分类方法无法准确分类（区分）上述三类异常，尤其在区分负载突变与虚假数据注入攻击时。本文提出一种新算法，用于检测异常存在、分类异常类型并识别异常来源，即坏数据情况下含有严重误差的测量值、经历突变的负载所属母线，或虚假数据注入攻击所针对的状态变量。该算法结合了解析与机器学习（ML）方法。第一阶段利用解析方法，通过结合 $\chi^2$ 检验与异常检测指数来检测异常存在。第二阶段利用 ML 对异常类型进行分类并识别其来源，特别针对负载突变与虚假数据注入攻击的区分。所提出的基于 ML 的方法被训练为与网络配置无关，从而消除了网络拓扑变化后对算法重新训练的需要。在 IEEE 14 总线测试系统上实施该算法所得结果表明了所提算法的准确性与有效性。