流式 PMU 数据中的实时异常检测与分类
信号处理
2019-11-15 v1 机器学习
摘要
保障电网安全可靠运行是系统运营商的首要关切。相量测量单元（PMU）正快速部署于电网中，以提供快采样运行数据，从而支持更快速的决策。本文提出一个通用的可解释框架，用于分析实时 PMU 数据，使电网运营商能够理解当前状态并即时识别异常。我们在流式数据上应用统计学习工具，首先学习一个有效的动力学模型以描述系统当前行为。接着，利用所学模型的概率预测，以原则性方式定义高效的异常检测工具。最后，我们框架的末级模块使用电网运营商熟悉的特征，将检测到的异常即时分类为常见发生类别。我们通过基于美国某输电运营商收集的真实 PMU 数据的大量数值实验，证明了该可解释方法的有效性。
引用
@article{arxiv.1911.06316,
title = {Real-time Anomaly Detection and Classification in Streaming PMU Data},
author = {Christopher Hannon and Deepjyoti Deka and Dong Jin and Marc Vuffray and Andrey Y. Lokhov},
journal= {arXiv preprint arXiv:1911.06316},
year = {2019}
}
备注
9 pages, 12 figures