Anomaly Detection in Power Grids via Context-Agnostic Learning

要約

自然発生的なものであれ、悪意のあるものであれ、障害を防ぐためにグリッド運用者が使用する重要なツールには、電力システムの SCADA データの異常を検出することが含まれます。
このペーパーでは、リアルタイムの異常検出問題を解決することを目的としています。
グリッド上の固定センサー セットからの時系列測定値が与えられた場合、ネットワーク トポロジや測定データの異常を特定できるでしょうか?
主に最適化ベースの既存の方法は、ほとんどの場合、測定値の 1 つのスナップショットのみを使用しており、ネットワークのサイズに合わせて適切に拡張できません。
最近のデータ駆動型 ML 技術は、異常検出に現在データと履歴データを組み合わせて使用​​することで有望であることが示されていますが、一般にセンサー測定に対するトポロジや負荷/世代の変化の影響などの物理的属性が考慮されていないため、定期的なコンテキストの変動に対応できません。
履歴データ。
このギャップに対処するために、通常のトポロジと負荷/世代の変更の影響を考慮した、新しいコンテキスト認識型異常検出アルゴリズム GridCAL を提案します。
このアルゴリズムは、リアルタイムの電力潮流測定値をコンテキストに依存しない値に変換するため、さまざまなグリッドコンテキストからの測定値を集約的に分析できるようになり、異常検出の基礎となる統一統計モデルを導き出すことができます。
最大 2383 ノードのネットワークでの数値シミュレーションを通じて、私たちのアプローチが正確で、最先端のアプローチを上回っており、計算効率が高いことを示します。

要約(オリジナル)

An important tool grid operators use to safeguard against failures, whether naturally occurring or malicious, involves detecting anomalies in the power system SCADA data. In this paper, we aim to solve a real-time anomaly detection problem. Given time-series measurement values coming from a fixed set of sensors on the grid, can we identify anomalies in the network topology or measurement data? Existing methods, primarily optimization-based, mostly use only a single snapshot of the measurement values and do not scale well with the network size. Recent data-driven ML techniques have shown promise by using a combination of current and historical data for anomaly detection but generally do not consider physical attributes like the impact of topology or load/generation changes on sensor measurements and thus cannot accommodate regular context-variability in the historical data. To address this gap, we propose a novel context-aware anomaly detection algorithm, GridCAL, that considers the effect of regular topology and load/generation changes. This algorithm converts the real-time power flow measurements to context-agnostic values, which allows us to analyze measurement coming from different grid contexts in an aggregate fashion, enabling us to derive a unified statistical model that becomes the basis of anomaly detection. Through numerical simulations on networks up to 2383 nodes, we show that our approach is accurate, outperforming state-of-the-art approaches, and is computationally efficient.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google