Apr, 2024

电力系统中的异常检测与上下文无关学习

PDF
TL;DR提出了一种新颖的上下文感知异常检测算法 GridCAL，它考虑了常规拓扑和负荷 / 发电变化的影响，通过将实时功率流测量值转化为上下文不可知的值，以统一的统计模型为基础进行异常检测。数值模拟结果表明，该方法准确且计算效率高，优于当前最先进的方法。
anomaly detectionpower systemscada datacontext-awarealgorithm
发现论文，激发创造
  • 智能电网系统中的异常检测技术：一项综述

    本文提供了最近智能电网异常检测研究的综述，分类了该领域的各个方面，最后总结出未来研究方向。

    Jun, 2023

  • 基于流量模式分析和深度迁移学习的自动发电控制系统异常检测

    本文研究信息流分析和异常检测在防止网络攻击中的应用，通过使用 ResNeSt 卷积神经网络的频域特征和深度学习模型，训练自适应的算法，从而克服了参数不确定性和建模非线性问题。

    Sep, 2022

  • 基于混合 AI 的相量测量单元数据异常检测模型

    本研究旨在开发基于混合算法的深度学习模型，用于检测 phasor measurement unit 数据中的异常，数据集基于实际电网测量数据，并探讨了异常数据产生的影响和缓解方法。

    Sep, 2022

  • 使用图神经网络检测上下文网络异常

    利用图神经网络（GNN）检测网络流量异常

    Dec, 2023

  • 发电厂中的异常检测与生成对抗网络

    使用生成对抗网络（GANs）进行电力发电厂异常检测的研究表明，GANs 在有效的异常检测方面表现出色，特别适用于使用大型数据集。

    Sep, 2023

  • 基于数据挖掘的高级计量系统集成动态异常检测方法

    该研究论文介绍了一个建筑运营中的异常检测系统，包括监测、早期发现、以及基于监测仪的实时异常检测方法。通过结合有监督学习和无监督学习算法，利用动态阈值实现对异常数据的实时检测，并通过真实数据的实证研究验证其有效性，这对于建筑运营中的决策科学和视觉分析有重要意义。

    May, 2024

  • 基于深度学习的智能电网网络攻击检测模型

    通过使用人工智能技术，本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法，以阻止监控控制和数据采集系统（SCADA）上接收的负载数据的数据完整性网络攻击（DIAs），并使用回归模型进行负载数据的预测，以及通过无监督学习方法对处理后的数据进行聚类，以实现最佳性能。实验结果表明，EE-BiLSTM 方法比其他两种方法更稳健和准确。

    Dec, 2023

  • 电力电网智能故障分析

    本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案，利用 Siemens PSS/E 软件模拟电网状况，并采用分类器（SVM、LSTM 等）进行训练和测试，结果证明其能够高精度地检测电网异常，并可扩展应用于更复杂的电网结构。

    Nov, 2017

  • 一个无监督的时空图模型方法用于分布式 CPS 中的异常检测

    本文提出了一种新的基于数据驱动的系统范围异常检测框架，其基于符号动力学的概念构建了一种时空特征提取方案，用于发现和表示 CPS 子系统之间因果相互作用，结果表明，该框架可以用于捕获多种正常模式并检测若干的从低级子系统到高级子系统的故障传播路径。

    Dec, 2015

  • 演化网络拓扑下的电网运行风险评估的图神经网络

    该研究探讨了图神经网络在没有明确的高分辨率信息（发电机状态、电网拓扑和电力调度决策）的情况下，能否识别未来几个小时内电网的风险状况。研究发现，基于图神经网络的可靠性和风险评估具有快速而准确的预测能力。

    May, 2024