基于时域和频域的智能表计数据异常检测：面向配电网的研究
系统与控制
2025-04-28 v1 人工智能
机器学习
系统与控制
摘要
大规模新技术在配电网消费侧的集成，使得配电系统运营商需要进行高级实时计算，以估算网络状况。近年来，基于机器学习和大数据分析的数据驱动模型在计算中涌现，利用来自智能表计及其他先进测量基础设施获取的大规模数据集中的信息。然而，现有数据驱动算法未考虑智能表计收集数据的质量。它们缺乏内置的异常检测机制，且无法区分异常数据实例的值或上下文偏离正常值的程度。本文聚焦于检测和消除活力和无功功率消耗数据集中异常的影响。我们提出了一种基于Isolation Forest机器学习算法和快速傅里叶变换（FFT）滤波的异常检测框架，能够在时域和频域中工作，且不受点异常或情境异常的影响。通过演示在高智能表计渗透率配电网分析中集成异常检测方法的重要性，来证明其有效性。
引用
@article{arxiv.2504.18231,
title = {Time and Frequency Domain-based Anomaly Detection in Smart Meter Data for Distribution Network Studies},
author = {Petar Labura and Tomislav Antic and Tomislav Capuder},
journal= {arXiv preprint arXiv:2504.18231},
year = {2025}
}