基于 Transformer 双生对抗网络的 PMU 数据无监督时空异常检测
机器学习
2026-04-14 v2 人工智能
系统与控制
系统与控制
摘要
确保电网韧性需要及时且无监督地检测同步相量数据流中的异常。我们引入 T-BiGAN，一个新型框架，将窗口注意力 Transformer 集成到双向生成对抗网络（BiGAN）中，以解决此挑战。其自注意力编码器-解码器架构捕获电网中复杂的时空依赖关系，而联合判别器强制实现循环一致性，以对齐学习到的潜在空间与真实数据分布。通过结合重构误差、潜在空间漂移和判别器置信度的自适应得分实时标记异常。评估于真实硬件-in-the-loop PMU 基准数据集，T-BiGAN 在 ROC-AUC 上达到 0.95，平均精度为 0.996，显著优于领先的有监督和无监督方法。在检测细微频率和电压偏差方面表现尤为出色，展示了其在不依赖手动标记故障数据的情况下为实时宽域监控的实际价值。
引用
@article{arxiv.2509.25612,
title = {Unsupervised Detection of Spatiotemporal Anomalies in PMU Data Using Transformer-Based BiGAN},
author = {Muhammad Imran Hossain and Jignesh Solanki and Sarika Khushlani Solanki},
journal= {arXiv preprint arXiv:2509.25612},
year = {2026}
}