电网异常检测是识别可能由电缆断裂或，绝缘损坏等原因引起的异常。使用先进的机器学习技术，从电网数据中学习出错的模式，以期能够诊断电网故障。

一项研究显示，机器学习有朝一日可以帮助电力能源供应商更好地查明电网中出现故障或受损的部分。

由美国麻省理工学院领导的一个研究项目，描述了一种技术，能够对由众多变量组成的复杂互联系统建模，这些变量的值随时间而变化。 通过映射这些所谓的多重时间序列的连接，贝叶斯网络可以学会识别数据中的异常。

2022年2月底，麻省理工学院- IBM沃森人工智能实验室的研究人员、论文合著者陈杰（音译，Jie Chen）解释说，电网是一个完美的研究案例。

陈说电力电缆论文，检测异常依赖于识别异常数据点，这些数据点可能是由电缆断裂或绝缘损坏等原因引起的。

他解释了技术方面：“多重时间序列来源的一个突出例子是电网，其中每个组成的序列是电网随时间的状态，由部署在特定地理位置的传感器记录下来。”

电网状态可以由许多数据点组成，包括整个电网电压的幅值、频率和角度以及电流。

陈说：“电网技术人员用统计数据来获取数据，然后用电力行业的领域知识定义检测规则，例如，如果电压波动达到一定百分比，那么电网运营商就应该收到警报。这种基于规则的系统，即使是通过统计数据分析，也需要大量的劳动力和专业知识。我们证明，我们可以自动化这一过程，也可以使用先进的机器学习技术从数据中学习模式。”

具体来说，电网可以建模为节点和边缘及其相关传感器读数的集合。这些读数随时间变化的概率分布可以计算出来。

任何不符合这个分布的数据都是有问题的迹象。虽然你可以建立严格的规则来检测这类事情——频率超过或低于限制等等——贝叶斯方法被认为是“手动更少，更多的自动化，更少的麻烦”的技术来管理。

电网状态可以由许多数据点组成，包括整个电网电压的幅值、频率和角度以及电流。 陈说，检测异常依赖于识别异常数据点，这些数据点可能是由电缆断裂或绝缘损坏等原因引起的。

这种技术使用无监督学习来识别被认为是异常的结果，而不是使用手工制定的规则。当研究人员在两个私人数据集上测试他们的模型时，这些数据集记录了美国两个电网互联的测量结果，他们发现该模型的表现优于其他基于神经网络的机器学习方法。

该论文的合著者、宾夕法尼亚州立大学的博士Enyan Dai说，网格传感器测量的数据样本被用作输入，贝叶斯网络提供一个分数来预测数据是否异常。他说，这是一种检测数据异常变化的通用方法，如果电网遭到黑客攻击，它甚至可以用来发出警报。

“它可以用来检测电网故障或网络安全攻击。因为我们的方法本质上是为了模拟正常状态下的电网，所以它可以检测异常，而不管原因是什么。”该方法也适用于其它多时间序列系统，比如物流与交通。

“不幸的是，我们的模型不能指出(系统)失败的原因，但它确实可以检测到电网的哪一部分出现了故障。该模型可以用于监测电网的状态，并可以在一分钟内报告电网故障，这可能意味着它可以实时运行。但对于现实世界的应用，我认为需要进行更多的测试电力电缆论文，尤其是该模型的稳健性。”

论文将在2022年的 ICLR上发表。

文章来源:https://www.toutiao.com/a7070408348654404135/

相关热词 : 电力电缆论文 电力规程电缆设