[论文解读] 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 3

一句话总结

本文提出了一种基于SCADA数据的基于随机矩阵理论（RMT）的数据驱动早期异常检测与定位方法，用于配电网。通过分析由测量数据构成的协方差矩阵的线性特征值统计量和特征向量，该方法可在异常升级前实现检测，且在可观测性较低的馈线中，通过增加数据维度的算法提升了灵敏度。该方法在真实数据中实现了长达15小时的早期检测，并能准确匹配实际故障位置。

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.

研究动机与目标

• 解决传统基于模型的方法难以检测的非线性、间歇性早期异常在配电网中的检测与定位挑战。
• 克服在可观测性较低的馈线中因测量稀疏而难以实现有效异常检测的局限性。
• 开发一种对系统模型信息需求极少的数据驱动方法，仅依赖基本馈线拓扑和SCADA测量数据。
• 通过基于测量数据协方差矩阵谱分析的统一框架，同时实现异常检测与定位。
• 确保在实际运行环境中对随机扰动和测量噪声具有鲁棒性。

提出的方法

• 从每个馈线的SCADA测量数据中构建数据矩阵，表征‘信号+噪声’协方差结构。
• 应用Marchenko-Pastur定律，在正常运行的零假设下对数据矩阵的经验谱分布进行建模。
• 使用线性特征值统计量（LES）作为检测指标，量化与预期特征值分布的偏离，以指示异常的开始。
• 识别极端特征值（异常值）及其对应的特征向量，以定位系统中的异常元件。
• 对于可观测性较低的馈线，实施增加数据维度的算法，通过结构化数据增强将数据矩阵大小从$42 \times 192$扩展至$441 \times 192$，以提高检测灵敏度。
• 构建随时间变化的$\mathcal{N}_{\phi}-t$曲线，以可视化异常的发展过程，其中$\mathcal{N}_{\phi}$作为主要检测统计量。

实验结果

研究问题

• RQ1 随机矩阵理论能否在不依赖详细系统模型的情况下，有效检测配电网数据中细微的早期异常？
• RQ2 在测量覆盖有限的可观测性较低的馈线中，如何提升检测灵敏度？
• RQ3 同一框架能否通过数据协方差矩阵的谱特征实现异常的检测与定位？
• RQ4 与真实SCADA数据中实际故障发生时间相比，所提方法能提前多久检测到异常？
• RQ5 该方法在实际配电网中对随机扰动和测量噪声的鲁棒性如何？

主要发现

• 该方法在真实SCADA数据中最早于2017年3月7日22:00:00检测到过载异常，而实际故障发生在2017年3月8日13:30:00，表明可提前最多15小时检测到异常。
• 第二次异常于2017年3月11日13:45:00被检测到，比记录的故障时间提前约14小时，证明了其一致的早期检测能力。
• 异常定位准确：第一次事件中，该方法从原始数据中正确识别出异常索引集{1, 2, 3}，与实际故障相位完全匹配。
• 第二次事件中，方法将故障精确定位到索引{1, 2, 7}，与实际故障设备一致，证实了高精度的定位能力。
• $\mathcal{N}_{\phi}-t$曲线在异常期间呈现出典型的U形，与理论预期一致，验证了检测统计量的统计行为。
• 增加数据维度的算法显著提升了在可观测性较低的馈线中的检测性能，通过增强谱分析中的信噪比。