[論文レビュー] Early Anomaly Detection and Location in Distribution Network: A Data-Driven Approach

Xin Shi, Robert C. Qiu+4 more|arXiv (Cornell University)|Jan 5, 2018

Random Matrices and Applications参考文献 28被引用数 3

ひとこと要約

本稿では、SCADAデータを用いたランダム行列理論（RMT）を用いて、データ駆動型の早期異常検出および局所化手法を、配電網に対して提案する。測定データから構成される共分散行列の線形固有値統計量および固有ベクトルを分析することにより、異常発生の前段階で検出が可能となり、低可観測性の分岐回路においても感度を向上させる増大データ次元アルゴリズムを導入している。実データにおいて最大15時間の早期検出が達成され、故障発生位置と一致する高精度な局所化が可能である。

ABSTRACT

The measurement data collected from the supervisory control and data acquisition (SCADA) system installed in distribution network can reflect the operational state of the network effectively. In this paper, a random matrix theory (RMT) based approach is developed for early anomaly detection and localization by using the data. For every feeder in the distribution network, a corresponding data matrix is formed. Based on the Marchenko-Pastur Law for the empirical spectral analysis of covariance `signal+noise' matrix, the linear eigenvalue statistics are introduced to indicate the anomaly, and the outliers and their corresponding eigenvectors are analyzed for locating the anomaly. As for the low observability feeders in the distribution network, an increasing data dimension algorithm is designed for the formulated low-dimensional matrices being more accurately analyzed. The developed approach can detect and localize the anomaly at an early stage, and it is robust to random disturbance and measurement error. Cases on Matpower simulation data and real SCADA data corroborate the feasibility of the approach.

研究の動機と目的

• 従来のモデル駆動手法では検出が困難な非線形的で断続的な早期段階の異常を検出・局所化する課題に対処すること。
• 測定が疎である低可観測性分岐回路において、効果的な異常検出が阻害される問題を克服すること。
• 最小限のシステムモデル情報で動作するデータ駆動型手法を開発し、基本的な分岐回路トポロジーやSCADA測定値のみを活用すること。
• 測定データのスペクトル解析に基づく統一フレームワークを用いて、同時に異常検出と局所化を達成すること。
• 実運用環境におけるランダムな摂動および測定ノイズに対して耐性を持つこと。

提案手法

• 各分岐回路のSCADA測定値からデータ行列を構築し、'信号＋ノイズ'の共分散構造を表現する。
• 帰無仮説（正常運転時）下でのデータ行列の経験的固有値分布をモデル化するために、Marchenko-Pasturの法則を適用する。
• 線形固有値統計量（LES）を検出指標として用い、期待される固有値分布からの乖離を定量的に評価し、異常発生の兆候を示す。
• 極端な固有値（外れ値）およびそれに対応する固有ベクトルを特定することで、システム内での異常成分を局所化する。
• 低可観測性分岐回路では、データ行列のサイズを$42 \times 192$から$441 \times 192$へと構造的なデータ拡張により拡大する増大データ次元アルゴリズムを実装し、検出感度を向上させる。
• 時間経過に伴う異常進行を可視化するため、$\mathcal{N}_{\phi}-t$曲線を構築し、$\mathcal{N}_{\phi}$を主たる検出統計量とする。

実験結果

リサーチクエスチョン

• RQ1 詳細なシステムモデルに依存せずに、ランダム行列理論を用いて配電網データにおける微細で早期段階の異常を効果的に検出できるか。
• RQ2 測定カバレッジが限られる低可観測性分岐回路において、検出感度をどのように向上させられるか。
• RQ3 同じフレームワークを用いて、データ共分散行列のスペクトル特徴を活用して、同時に異常検出と局所化が可能か。
• RQ4 実際のSCADAデータにおいて、本手法は故障発生時刻よりもどの程度早期に異常を検出できるか。
• RQ5 実際の配電網環境におけるランダムな摂動および測定ノイズに対して、本手法はどの程度耐性を持つか。

主な発見

• 本手法は、2017年3月7日22:00:00に実際の故障発生時刻（2017年3月8日13:30:00）の15時間前までに負荷過多異常を検出しており、早期検出が可能であることを示している。
• 2番目の異常は2017年3月11日13:45:00に検出され、記録された故障時刻の約14時間前であったため、一貫した早期検出能力を有している。
• 異常局所化は高精度であった。1回目の事象では、元のデータから異常インデックス集合{1, 2, 3}を正しく特定し、実際の故障相と一致した。
• 2回目の事象では、故障をインデックス{1, 2, 7}に局所化し、実際の故障デバイスと一致しており、高い局所化精度を確認した。
• $\mathcal{N}_{\phi}-t$曲線は、異常期間中に理論的期待と整合するU字型の形状を示し、検出統計量の統計的挙動が妥当であることを検証した。
• 増大データ次元アルゴリズムにより、スペクトル解析における信号対ノイズ比が向上し、低可観測性分岐回路における検出性能が顕著に向上した。