Generative Modeling and Decision Fusion for Unknown Event Detection and Classification Using Synchrophasor Data

📄 arXiv: 2509.22795v1 📥 PDF

作者: Yi Hu, Zheyuan Cheng

分类: eess.SP, cs.AI, eess.SY

发布日期: 2025-09-26

备注: 10 pages

💡 一句话要点

提出基于生成模型和决策融合的框架，用于电力系统未知事件检测与分类。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 电力系统事件检测 生成模型 变分自编码器 生成对抗网络 决策融合 同步相量数据 异常检测

📋 核心要点

  1. 现有电力系统事件检测方法依赖有限的标注数据，泛化能力受限，难以识别罕见或未知的扰动。
  2. 论文提出基于变分自编码器-生成对抗网络（VAE-GAN）的生成模型，学习正常运行状态，并结合滑动窗口和决策融合进行异常检测。
  3. 实验结果表明，该方法在事件检测和分类方面达到了最先进的准确率，并能有效识别未知事件。

📝 摘要（中文）

本文提出了一种新颖的框架，该框架集成了生成模型、滑动窗口时序处理和决策融合，以实现使用同步相量数据的鲁棒事件检测和分类。采用变分自编码器-生成对抗网络来模拟正常运行条件，其中重建误差和判别器误差均被提取作为异常指标。开发了两种互补的决策策略：一种基于阈值的规则，用于计算效率；一种基于凸包的方法，用于复杂误差分布下的鲁棒性。这些特征通过滑动窗口机制被组织成时空检测和分类矩阵，并且识别和决策融合阶段集成了来自PMU的输出。这种设计使该框架能够识别已知事件，同时系统地将先前未见过的扰动分类为新类别，从而解决了监督分类器的一个关键限制。实验结果表明，该方法具有最先进的准确性，超过了机器学习、深度学习和基于包络的基线。识别未知事件的能力进一步突出了所提出的方法在现代电力系统中进行广域事件分析的适应性和实际价值。

🔬 方法详解

问题定义：电力系统事件的可靠检测和分类对于维持电网稳定性和态势感知至关重要。然而，现有方法通常依赖于有限的标注数据集，这限制了它们对罕见或未见过的扰动的泛化能力。因此，如何有效地检测和分类电力系统中出现的未知事件是一个关键问题。

核心思路：论文的核心思路是利用生成模型学习电力系统正常运行状态的分布，然后通过检测与正常状态的偏差来识别异常事件。同时，采用决策融合策略，结合多种异常指标和决策方法，提高检测的鲁棒性和准确性。对于未知事件，系统能够将其识别为一个新的类别，而不是错误地归类到已知事件中。

技术框架：该框架主要包含以下几个阶段：1) 利用变分自编码器-生成对抗网络（VAE-GAN）对正常运行状态下的同步相量数据进行建模；2) 从VAE-GAN中提取重建误差和判别器误差作为异常指标；3) 采用滑动窗口机制，将这些异常指标组织成时空检测和分类矩阵；4) 使用基于阈值的规则和基于凸包的方法进行决策，并进行决策融合；5) 最终进行事件识别和分类，包括已知事件和未知事件。

关键创新：该论文的关键创新在于：1) 采用生成模型（VAE-GAN）来学习正常运行状态，从而能够检测未知事件；2) 提出了一种结合重建误差和判别器误差的异常检测方法，提高了检测的准确性；3) 设计了一种基于滑动窗口的时空处理机制，能够捕捉事件的时序特征；4) 采用决策融合策略，结合多种决策方法，提高了检测的鲁棒性。

关键设计：VAE-GAN的网络结构包括编码器、解码器和判别器。编码器将输入数据映射到潜在空间，解码器从潜在空间重构输入数据，判别器区分真实数据和重构数据。损失函数包括重建损失和对抗损失。滑动窗口的大小和步长需要根据具体的应用场景进行调整。阈值和凸包的参数也需要根据数据的分布进行优化。

📊 实验亮点

实验结果表明，该方法在事件检测和分类方面达到了最先进的准确率，超过了机器学习、深度学习和基于包络的基线方法。更重要的是，该方法能够有效识别未知事件，这对于实际应用具有重要意义。具体的性能数据在论文中进行了详细的展示。

🎯 应用场景

该研究成果可应用于现代电力系统的广域事件分析，提高电网的稳定性和可靠性。通过准确检测和分类电力系统事件，可以及时采取措施，防止事故的发生和蔓延。此外，该方法还可以用于电力系统的故障诊断和预测性维护，提高电力系统的运行效率。

📄 摘要（原文）

Reliable detection and classification of power system events are critical for maintaining grid stability and situational awareness. Existing approaches often depend on limited labeled datasets, which restricts their ability to generalize to rare or unseen disturbances. This paper proposes a novel framework that integrates generative modeling, sliding-window temporal processing, and decision fusion to achieve robust event detection and classification using synchrophasor data. A variational autoencoder-generative adversarial network is employed to model normal operating conditions, where both reconstruction error and discriminator error are extracted as anomaly indicators. Two complementary decision strategies are developed: a threshold-based rule for computational efficiency and a convex hull-based method for robustness under complex error distributions. These features are organized into spatiotemporal detection and classification matrices through a sliding-window mechanism, and an identification and decision fusion stage integrates the outputs across PMUs. This design enables the framework to identify known events while systematically classifying previously unseen disturbances into a new category, addressing a key limitation of supervised classifiers. Experimental results demonstrate state-of-the-art accuracy, surpassing machine learning, deep learning, and envelope-based baselines. The ability to recognize unknown events further highlights the adaptability and practical value of the proposed approach for wide-area event analysis in modern power systems.