[论文解读] Outage Detection in Partially Observable Distribution Systems using Smart Meters and Generative Adversarial Networks

Yuxuan Yuan, Kaveh Dehghanpour+2 more|arXiv (Cornell University)|Dec 10, 2019

Electricity Theft Detection Techniques参考文献 20被引用 4

一句话总结

本文提出一种基于生成对抗网络（GAN）的无监督方法，用于利用智能电表（SM）数据对部分可观测的配电网系统进行故障检测。通过广度优先搜索（BFS）将配电网分解为区域，并训练 GAN 以建模正常 SM 数据分布，进而通过异常评分检测故障；该方法在中大型故障情况下 F1 分数和 AUC 均超过 90%，对外部故障和数据稀缺具有鲁棒性。

ABSTRACT

In this paper, we present a novel data-driven approach to detect outage events in partially observable distribution systems by capturing the changes in smart meters' (SMs) data distribution. To achieve this, first, a breadth-first search (BFS)-based mechanism is proposed to decompose the network into a set of zones that maximize outage location information in partially observable systems. Then, using SM data in each zone, a generative adversarial network (GAN) is designed to implicitly extract the temporal-spatial behavior in normal conditions in an unsupervised fashion. After training, an anomaly scoring technique is leveraged to determine if real-time measurements indicate an outage event in the zone. Finally, to infer the location of the outage events in a multi-zone network, a zone coordination process is proposed to take into account the interdependencies of intersecting zones. We have provided analytical guarantees of performance for our algorithm using the concept of entropy, which is leveraged to quantify outage location information in multi-zone grids. The proposed method has been tested and verified on distribution feeder models with real SM data.

研究动机与目标

• 解决在智能电表覆盖有限、无法实现完全可观测的配电网系统中故障检测的挑战。
• 克服由于故障事件数量远少于正常运行数据而导致的数据不平衡问题。
• 在不依赖标注故障数据的前提下，捕捉高维 SM 数据中的复杂时空依赖关系。
• 通过利用区域协调与信息论驱动的区域分解，实现在多区域网络中的精确故障定位。
• 开发一种无需故障模式先验知识或标注训练数据的鲁棒无监督框架。

提出的方法

• 应用基于广度优先搜索（BFS）的算法，将配电网划分为重叠区域，以最大化故障定位信息。
• 在每个区域的历史 SM 数据上无监督地训练生成对抗网络（GAN），以学习正常运行的联合分布。
• 通过量化实时时序 SM 测量值与学习到的正常分布之间的偏差，利用 GAN 判别器输出计算异常评分。
• 采用区域协调机制，通过区域间的依赖关系与空间一致性，推断交叉区域中的真实故障位置。
• 利用基于熵的分析保证，确保区域分解能最大程度捕获故障定位信息。
• 将异常评分定义为判别器输出的函数，数值越高表示潜在的故障事件。

实验结果

研究问题

• RQ1 在仅部分节点配备智能电表的、可观测性受限的配电网系统中，如何有效实现故障检测？
• RQ2 基于 GAN 的无监督模型能否在无需标注故障数据的前提下，通过学习 SM 数据的正常分布来可靠检测故障事件？
• RQ3 如何在高维 SM 数据中有效建模时空依赖关系，以支持实时故障检测？
• RQ4 外部故障对区域异常评分有何影响？该方法能否区分内部与外部扰动？
• RQ5 所提出的区域分解与协调机制如何提升多区域系统中的故障定位精度？

主要发现

• 对于大故障情况（150kW，80 用户），所提方法的 F1 分数达到 0.9326，AUC 为 0.9363，表明检测精度极高。
• 对于中等故障（100kW，50 用户），所有区域的 F1 分数达到 0.9175，AUC 为 0.9179，表现出强劲性能。
• 对于小故障情况（40kW，20 用户），F1 分数为 0.7223，AUC 为 0.7641，表明即使对微小扰动也具备可检测性。
• 在正常条件下，异常评分保持稳定（均值 ≈1.263），而在故障期间显著上升（均值 ≈1.33），可实现清晰区分。
• 区域外部发生的故障不会显著改变该区域的异常评分，Δζ（异常评分变化）保持接近零，证实了方法的鲁棒性。
• 区域协调机制在大多数区域中成功实现跨重叠区域的故障定位，中大型事件的精确率与召回率均超过 0.9。