面向电力系统状态估计(PSSE)中漂移感知异常分类与母线识别的半在线自适应深度学习框架

《Results in Engineering》:A Semi-Online Adaptive Deep Learning Framework for Drift-Aware Anomaly Classification & Bus Identification in Power Systems State Estimation

【字体: 大 中 小 】 时间:2026年10月21日 来源:Results in Engineering 9.4

编辑推荐:

  提出一种用于电力系统状态估计(PSSE)中漂移感知异常分类与母线识别的半在线自适应深度学习(ADL)框架。该深度学习框架面向电网中的漂移感知异常分类;能够以较高准确率识别网络攻击与异常的位置;采用半在线方法适应新数据而无需完全重新训练;在电网拓扑变化时仍保持高

  
提出一种用于电力系统状态估计(PSSE)中漂移感知异常分类与母线识别的半在线自适应深度学习(ADL)框架。该深度学习框架面向电网中的漂移感知异常分类;能够以较高准确率识别网络攻击与异常的位置;采用半在线方法适应新数据而无需完全重新训练;在电网拓扑变化时仍保持高性能。
研究背景与问题:现代电力系统状态估计(PSSE,利用量测估计母线电压幅值与相角等运行状态的过程)为电网运行决策和稳定评估提供基础数据。智能电网技术使数据统计特性随时间变化,形成概念漂移(CD,数据联合概率分布随时间变化的现象),给异常检测(AD)带来困难;假数据注入攻击(FDIA,向量测注入可规避传统坏数据检测的向量)可向状态估计注入传统方法难以发现的误差;突加负荷变化(SLC,负荷需求突变引起的运行状态变化)又与攻击在量测上相似,难以区分。既有残差与χ2检验、传统机器学习、深度学习、自适应与持续学习、图模型与Transformer、物理信息网络等方法,分别存在对CD适应有限、离线需完全重训或在线稳定性不足、记忆管理缺乏策略、拓扑依赖、准确率与适应性权衡、固定阈值与漂移检测局限等问题。因此,该研究提出半在线ADL框架,将选择性记忆缓冲(SMB,按样本价值保留历史样本的缓冲机制)、加权窗口漂移检测和层级知识融合与基于残差空间特征的多路径网络结合,用于PSSE中的异常分类和母线识别,并评估其在漂移、拓扑变化和长尾类分布下的表现。

关键技术方法(不超过250字):数据来源为IEEE 14-bus与IEEE 57-bus标准系统,通过连续最优潮流生成基线和量测,加入均值0、标准差0.01的高斯噪声;SLC以负荷削减10%—100%构造,FDIA按a=h(x?+c)?h(x?)对单个母线电压幅值施加c=0.1或0.03 p.u.,并覆盖五种拓扑;形成FDI_SLC(10560样本、2类)、SLC(4840样本、11类)、FDI(5720样本、13类)数据集。方法包括:互信息(MI)选择约60个特征并加权;异常检测指标(ADI)由加权最小二乘(WLS)与扩展卡尔曼滤波(EKF)状态估计之差归一化构造;空洞卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)、门控循环单元(GRU)与自定义注意力构成多路径网络;焦点损失(focal loss);Z-score窗口漂移检测(窗口ω=30、阈值τ=0.6、周期Φ=5);SMB容量1500、每类300;层级知识融合。

研究结果:
5.1 异常检测结果:通过ADI在正常、SLC和FDIA条件下的仿真,ADI在正常运行时低于阈值,在SLC和FDIA时越限,说明其可区分正常与异常。
5.2 异常类型分类结果:在IEEE 14-bus标准条件下,TDL(非自适应同构深度模型)平均准确率98.66%±0.42%,ADL为95.91%±3.20%,差异不显著(p=0.249);在漂移下ADL为89.58%±0.88%,TDL降至71.58%±1.23%,ADL优势显著(p<0.001),自适应后准确率由早期60%—70%升至接近90%,单次适应提升约10—30个百分点。
5.3 SLC母线识别结果:标准条件下ADL为98.84%±0.00%,TDL为98.79%±0.42%,二者无显著差异;漂移下ADL为98.67%±0.52%,TDL为85.58%±11.18%,均值差13.1个百分点但因TDL方差大而未达显著(p=0.192);KNN在漂移下为90.25%,ADL适应后保持95%以上并接近99%。
5.4 FDIA母线识别结果:标准条件下ADL与TDL均为99.02%±0.42%;漂移下ADL为96.58%±1.46%,TDL为75.83%±11.59%,准确率差20.8个百分点但p=0.077,macro F1差异显著(p=0.017);KNN为91.42%,LR降至34.17%;适应后准确率超过0.80,最高达1.0,单次提升可达33%。
5.5 内存使用与类别分布:FDI_SLC、SLC、FDI数据集的缓冲使用量分别为312、1212、1412,均低于1500上限,类别分布接近平衡。
5.6 拓扑无关评估:以base、1、2拓扑训练并在未见过的3、4拓扑测试,ADL在FDI_SLC、SLC、FDI上分别达到97.99%、98.86%、98.91%,TDL也超过98%,传统方法为62.5%—79.2%。
5.7 消融研究分析:移除记忆与适应机制造成最大退化,漂移准确率下降3.2—53.2个百分点,适应提升下降7.0—50.7个百分点;注意力、特征加权、多路径、焦点损失、漂移检测和知识融合均有贡献,且多路径贡献呈非加性。
5.8 可扩展性分析:IEEE 57-bus标准条件下TDL在异常分类和母线识别上高于ADL,漂移下ADL更稳,异常分类89.32%、SLC母线识别97.5%、FDIA母线识别94%,RF与LR显著下降。
5.9 计算效率分析:传统模型训练时间短;14-bus下TDL为881.9—1743.3 s,ADL为1125.2—1827.3 s;57-bus下TDL为4497.7—8890.8 s,ADL为5738.5—9319.2 s;单次适应步14-bus为25.4—47.5 s,57-bus为33—61.7 s,框架假设异步适应但未基准测试。
5.10 与先进自适应学习方法比较:共享短协议下ADL平均漂移准确率83.00%,高于EWC的69.00%、TCN的65.33%、Online Deep Learning with Experience Replay的76.75%和CD-MLSTM的66.75%;共享骨干的ADWIN-Adaptive为85.75%,2.75个百分点差不足以排名;所提检测器无需标签,ADWIN监测误差流;训练与推理时间处于中间水平。
5.11 漂移检测性能评估:作为二分类规则,SLC的FPR为0.92%、精确率95.24%、召回率44.62%、平均延迟7.20批;FDI的FPR为0%、精确率100%、召回率35.13%、平均延迟8.43批;FDI_SLC的FPR达88.92%、准确率32.89%,显示固定τ=0.6在该数据集校准不佳。
5.12 异构、异步与冲突漂移下的行为:有益流适应后留出准确率91.5%,有害流仅48.5%,两个冲突流单独学习分别达95.0%和88.5%;有害流的平均漂移影响分数最高(+10.6个百分点),漂移分数不能区分有益与有害;四流顺序暴露的负迁移指数为1.0—6.0个百分点,暴露于有害流后已学有益流准确率短暂由约95%降至约73%后恢复;异步冲突到达下未崩溃,但逐步行为跟踪最近到达流。
5.13 数据集级概念漂移:在八段演化长尾流中,最终不平衡因子为FDI_SLC 20.33、SLC 18.00、FDI 15.00,Gini系数0.45—0.51,KL散度0.46—0.58;平均准确率分别为98.05%、98.63%、98.83%,与TDL和RF接近;最终段macro F1分别降至89.59%、87.80%、81.79%,类别越多下降越明显。

讨论总结与研究结论(翻译):该研究提出的半在线ADL在合成漂移下较非自适应深度模型和传统机器学习基线保持更稳的异常分类与母线识别性能,但其标准数据表现与TDL相当或略低;与ADWIN-Adaptive共享骨干时性能接近,说明可用漂移信号与良好记忆策略对鲁棒性重要,检测器选择影响相对有限;固定阈值在FDI_SLC上误报高,分布触发不能区分有益与有害漂移,异构顺序暴露存在有限负迁移和短暂性能下降,长尾类分布下总体准确率近天花板而macro F1明显下降。研究结论翻译如下:本研究提出一种用于PSSE在概念漂移下异常分类与母线识别的半在线ADL框架,将选择性记忆缓冲、加权窗口漂移检测器和层级知识融合与基于残差空间特征的多路径网络结合。在IEEE 14-bus系统合成漂移下,ADL异常类型分类准确率损失6.3个百分点(三次运行均值),同架构非自适应深度模型损失27.1个百分点;在SLC与FDIA母线识别中平均准确率均保持96%以上。稳态数据上两深度模型统计不可区分(p>0.24),非自适应模型在异常类型分类名义上领先。ADL在全部36项比较中显著优于传统机器学习基线。其在漂移下相对非自适应深度模型的优势对FDI_SLC和FDI macro F1显著,但对SLC或FDI准确率不显著,因非自适应模型运行间波动大且三次运行统计功效低。消融表明移除记忆与适应机制损失最大,漂移准确率降3.2—53.2个百分点,适应提升降7.0—50.7个百分点;这被解释为各组件在该配置中必要,而非协同证明。与五种自适应方法比较中,ADL平均漂移准确率83.00%,高于EWC、TCN、Online Deep Learning with Experience Replay和CD-MLSTM;共享骨干的ADWIN-Adaptive为85.75%,单次运行2.75个百分点差不足以排名;比较表明可用漂移信号与良好记忆决定鲁棒性,检测器选择影响较小;所提检测器检测时无需标签,而ADWIN监测误差流。未见拓扑上ADL保持97.99%—98.91%,非自适应模型类似,故该鲁棒性主要来自母线级输入特征。ADL训练成本比TDL高4.8%—33.3%。57-bus下两母线识别任务缓冲利用率达99.3%和99.7%,最长适应步61.7 s;框架假设异步适应且未基准测试。数据集级测试中准确率近天花板,macro F1在最偏斜段降至81.79%;最终段较小,结果具提示性并需重复流确认。局限包括:漂移流为合成,仅拓扑相关阶段对照模拟重构;天气和攻击相关阶段依赖文献;全部数据来自IEEE 14-bus和57-bus仿真;14-bus结果用三次运行,57-bus用一次;固定τ=0.6在FDI_SLC的FPR为88.92%;漂移触发不能区分有益与有害漂移,暴露有害流造成已学流瞬时约22个百分点下降后恢复;更大网络需关注适应步时和缓冲容量。未来工作应优先补充延迟或部分标注批次上的性能信号、使融合步骤感知流或漂移类型、采用每数据集或自归一化阈值、采用标签分布感知触发、嵌入交流潮流或量测雅可比等物理信息,并扩展到全在线适应、多标签、多检测器集成、图与Transformer模型、更多独立运行及真实运行数据验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号