[论文解读] Physics-Informed Machine Learning for Data Anomaly Detection, Classification, Localization, and Mitigation: A Review, Challenges, and Path Forward

Mehdi Jabbari Zideh, Paroma Chatterjee+1 more|arXiv (Cornell University)|Sep 19, 2023

Computational Physics and Python Applications被引用 5

一句话总结

本文综述了物理信息机器学习（PIML）方法在电力系统异常检测、分类、定位与缓解中的应用，通过将物理定律融入机器学习模型，提升预测的可行性、可解释性与可信度。提出混合架构如CNN-LSTM与图神经网络（GNNs），以捕捉时空相关性，并识别关键挑战，如可观测性有限与可扩展性不足，为网络-电力系统中的实际部署提供解决方案。

ABSTRACT

Advancements in digital automation for smart grids have led to the installation of measurement devices like phasor measurement units (PMUs), micro-PMUs ($μ$-PMUs), and smart meters. However, a large amount of data collected by these devices brings several challenges as control room operators need to use this data with models to make confident decisions for reliable and resilient operation of the cyber-power systems. Machine-learning (ML) based tools can provide a reliable interpretation of the deluge of data obtained from the field. For the decision-makers to ensure reliable network operation under all operating conditions, these tools need to identify solutions that are feasible and satisfy the system constraints, while being efficient, trustworthy, and interpretable. This resulted in the increasing popularity of physics-informed machine learning (PIML) approaches, as these methods overcome challenges that model-based or data-driven ML methods face in silos. This work aims at the following: a) review existing strategies and techniques for incorporating underlying physical principles of the power grid into different types of ML approaches (supervised/semi-supervised learning, unsupervised learning, and reinforcement learning (RL)); b) explore the existing works on PIML methods for anomaly detection, classification, localization, and mitigation in power transmission and distribution systems, c) discuss improvements in existing methods through consideration of potential challenges while also addressing the limitations to make them suitable for real-world applications.

研究动机与目标

• 解决纯数据驱动机器学习在电力系统中的局限性，如不可行的预测、缺乏可解释性以及泛化能力差。
• 将电力网络的物理约束融入机器学习模型，确保解决方案在物理上一致且可信，适用于实时运行。
• 调研监督学习、半监督学习、无监督学习与强化学习中现有的PIML技术，用于输电与配电系统中的异常检测与缓解。
• 识别关键挑战——如时空相关性建模、系统规模依赖性与可观测性有限——并提出实际部署的解决方案。
• 规划发展稳健、可扩展且可解释的PIML框架的路径，以实现网络-电力系统的安全与弹性。

提出的方法

• 采用物理信息神经网络（PINNs）与损失函数，将控制方程（如潮流方程）嵌入训练目标，以强制实现物理一致性。
• 使用混合深度学习架构（如CNN-LSTM）对 synchrophasor measurement unit（PMU）与智能电表数据中的空间相关性（通过CNN）与时间依赖性（通过LSTM）进行建模。
• 应用图神经网络（GNNs）将电力系统表示为图结构，其中母线为节点、线路为边，实现拓扑感知学习并提升空间泛化能力。
• 将物理约束直接集成到监督与无监督模型的损失函数中，以惩罚物理上不可行的预测。
• 利用基于物理的奖励函数进行强化学习（RL），在尊重系统动态特性的前提下指导异常缓解中的决策。
• 结合自编码器（AE）与物理信息正则化，用于非技术性线损与测量误差场景下的异常检测。

实验结果

研究问题

• RQ1 如何有效将物理定律整合到监督学习、半监督学习、无监督学习与强化学习模型中，以支持电力系统应用？
• RQ2 在捕捉电力系统测量中的时空相关性方面，最有效的深度学习架构（如CNN-LSTM或GNNs）是什么？
• RQ3 PIML方法相较于纯数据驱动方法，在提升机器学习输出的可解释性、可行性与可信度方面有哪些优势？
• RQ4 在实际部署PIML时，主要挑战是什么，特别是系统规模、可观测性与负荷波动方面？
• RQ5 如何增强PIML模型以处理不完整或噪声测量数据，并在动态与不确定运行条件下保持性能？

主要发现

• 混合模型如CNN-LSTM能有效捕捉PMU与智能电表数据中的空间与时间相关性，提升异常检测与轨迹预测性能。
• 图神经网络（GNNs）为建模电力系统拓扑提供了自然框架，支持拓扑感知学习，并在不同网络配置间实现更好的泛化能力。
• 将物理约束融入损失函数可显著减少物理上不可行预测的发生，提升模型的可靠性与可信度。
• PIML方法通过利用物理定律，减少了对大量标注数据的依赖，从而缓解了实际部署中异常标注数据稀缺的主要瓶颈。
• 尽管已取得进展，但在处理可观测性有限、系统可扩展性与负荷波动方面仍存在挑战，需通过改进系统拓扑与动态行为建模加以解决。
• 将物理知识融入深度学习架构可生成更具可解释性与泛化能力的模型，使其适用于网络-电力系统中的实时控制与决策。