[论文解读] Anomaly Classification in Distribution Networks Using a Quotient Gradient System

Hamid Khodabandehlou, Iman Niazazari+2 more|arXiv (Cornell University)|May 14, 2018

Power Quality and Harmonics参考文献 28被引用 4

一句话总结

本文提出一种基于商梯度系统（QGS）训练的两阶段部分循环神经网络，利用高保真同步相量测量单元（PMU）数据对配电网中的异常进行分类。通过将相量测量值转化为约束满足问题（CSP），QGS 实现了鲁棒优化，从而提升了异常检测的准确性，在仿真中表现出对 PMU 数量、报告率、噪声水平和数据融合时机的强敏感性，优于传统神经网络分类器。

ABSTRACT

The classification of anomalies or sudden changes in power networks versus normal abrupt changes or switching actions is essential to take appropriate maintenance actions that guarantee the quality of power delivery. This issue has increased in importance and has become more complicated with the proliferation of volatile resources that introduce variability, uncertainty, and intermittency in circuit behavior that can be observed as variations in voltage and current phasors. This makes diagnostics applications more challenging. This paper proposes using quotient gradient system (QGS) to train two-stage partially recurrent neural network to improve anomaly classification rate in power distribution networks using high-fidelity data from micro-phasor measurement units (PMUs). QGS is a systematic approach to finding solutions of constraint satisfaction problems. We transform the PMUs data from the power network into a constraint satisfaction problem and use QGS to train a neural network by solving the resulting optimization problem. Simulation results show that the proposed supervised classification method can reliably distinguish between different anomalies in power distribution networks. Comparison with other neural network classifiers shows that QGS trained networks provide significantly better classification. Sensitivity analysis is performed concerning the number of PMUs, reporting rates, noise level and early versus late data stream fusion frameworks.

研究动机与目标

• 为应对由于波动性可再生能源资源日益增加的并网，导致在配电网中难以区分真实异常与正常切换事件的日益严峻挑战。
• 在间歇性发电引起的电压和电流相量变化背景下，提升异常分类的可靠性和准确性。
• 开发一种系统化的神经网络训练框架，以处理实时 PMU 数据引发的约束满足问题。
• 在不同运行条件下（包括 PMU 密度、报告频率、噪声水平和数据融合策略）评估所提方法的鲁棒性。

提出的方法

• 将配电网中的高保真 PMU 数据转化为表示异常检测为优化任务的约束满足问题（CSP）。
• 应用商梯度系统（QGS）——一种系统化求解 CSP 的方法——来训练两阶段部分循环神经网络（PRNN）。
• 利用 QGS 通过可行解流形进行导航，求解所得优化问题，确保收敛至有效分类结果。
• 设计两阶段 PRNN 架构以建模时间依赖性，并提升对电力系统暂态事件的分类能力。
• 集成早期与晚期数据流融合框架，评估时间处理方式对分类性能的影响。
• 对关键系统参数（PMU 数量、报告率、噪声水平和融合时机）进行敏感性分析。

实验结果

研究问题

• RQ1 基于 QGS 训练的神经网络能否在真实世界变化条件下，以高精度可靠地对配电网中的异常进行分类？
• RQ2 PMU 数量如何影响所提 QGS 方法的分类性能？
• RQ3 PMU 报告率和噪声水平对异常分类系统鲁棒性有何影响？
• RQ4 在所提框架中，早期与晚期数据流融合策略对分类结果的影响如何？
• RQ5 与标准神经网络训练方法相比，基于 QGS 的训练方法是否能显著提升分类准确率？

主要发现

• 在模拟的配电网场景中，QGS 训练的神经网络在异常分类准确率上显著优于传统神经网络分类器。
• 该方法在不同 PMU 数量下均表现出鲁棒性能，即使在传感器密度降低时，分类准确率仍能保持稳定。
• 更高的 PMU 报告率可提升分类可靠性，最优性能在符合实时监控标准的采样间隔下实现。
• 系统对中等噪声水平具有强韧性，在真实测量不确定性条件下仍能保持高分类准确率。
• 在分类准确率方面，晚期数据流融合始终优于早期融合，表明时间上下文对异常检测至关重要。
• 敏感性分析证实该方法在多种运行配置下具备稳定性与适应性，支持实际部署。