Anomaly Detection in Smart Power Grids with Graph-Regularized MS-SVDD: a Multimodal Subspace Learning Approach

📄 arXiv: 2502.15793v1 📥 PDF

作者: Thomas Debelle, Fahad Sohrab, Pekka Abrahamsson, Moncef Gabbouj

分类: cs.LG, eess.SY

发布日期: 2025-02-18

备注: 20 pages, 5 figures, supplementary material

💡 一句话要点

提出图正则化多模态子空间SVDD，用于智能电网异常检测，提升事件检测的可靠性和及时性。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 智能电网 异常检测 多模态学习 子空间学习 图正则化 支持向量数据描述 事件检测

📋 核心要点

  1. 智能电网异常检测面临多源异构数据融合的挑战，现有方法难以有效利用模态间关系。
  2. 论文提出图正则化MS-SVDD，将多模态数据投影到共享子空间，并利用图信息增强训练。
  3. 实验表明，该方法在事件检测中表现出更高的可靠性和及时性，验证了其有效性。

📝 摘要（中文）

本文提出了一种基于图正则化多模态子空间支持向量数据描述(MS-SVDD)的智能电网异常检测方法。该方法旨在通过将数据视为来自不同模态，从而更好地利用特征关系。这些数据被投影到一个共享的低维子空间中，以保留其内在特征。为了改进先前的工作，我们引入了新的多模态图嵌入正则化项，利用每个模态的图信息来增强训练过程，并考虑了一个改进的训练方程，允许我们根据指定的标准最大化或最小化每个模态。我们将这种正则化的图嵌入模型应用于一个3模态数据集，并将MS-SVDD算法推广到任意数量的模态。为了建立我们的应用，我们提出了一个完整的预处理程序，从时间界定的事件时间序列中提取单类分类训练实例，用于评估我们的模型在事件检测中的可靠性和及时性。

🔬 方法详解

问题定义：智能电网异常检测需要处理来自不同传感器和数据源的多模态数据。现有方法在融合这些数据时，难以充分利用不同模态之间的关系，并且容易受到噪声和冗余信息的影响，导致检测精度和效率降低。此外，如何从时间序列数据中提取有效的单类分类训练实例也是一个挑战。

核心思路：论文的核心思路是将来自不同模态的数据投影到一个共享的低维子空间中，从而实现模态间的有效融合。通过引入图嵌入正则化项，利用每个模态的图结构信息来约束子空间学习过程，从而更好地保留数据的内在特征和模态间的关系。同时，改进的训练方程允许根据特定标准最大化或最小化每个模态的贡献，从而提高模型的灵活性和适应性。

技术框架：该方法主要包含以下几个阶段：1) 数据预处理：从时间界定的事件时间序列中提取单类分类训练实例。2) 多模态子空间学习：利用MS-SVDD将多模态数据投影到共享子空间。3) 图正则化：引入图嵌入正则化项，利用每个模态的图信息约束子空间学习。4) 模型训练：使用改进的训练方程优化模型参数。5) 异常检测：利用训练好的模型对新的数据进行异常检测。

关键创新：该方法的主要创新点在于：1) 引入了多模态图嵌入正则化项，利用图信息增强训练过程。2) 提出了改进的训练方程，允许根据指定的标准最大化或最小化每个模态的贡献。3) 将MS-SVDD算法推广到任意数量的模态，提高了算法的通用性。

关键设计：论文的关键设计包括：1) 图的构建方式：如何根据数据的特征和关系构建合适的图结构。2) 正则化参数的选择：如何选择合适的正则化参数，以平衡子空间学习和图正则化的影响。3) 训练方程的设计：如何设计改进的训练方程，以实现对每个模态贡献的灵活控制。4) 损失函数的设计：采用SVDD作为基础损失函数，并结合图正则化项进行优化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文在3模态数据集上验证了所提出方法的有效性。实验结果表明，该方法在事件检测中表现出更高的可靠性和及时性，能够更早地检测到异常事件，并降低误报率。具体的性能提升数据在论文中进行了详细的展示和分析。

🎯 应用场景

该研究成果可应用于智能电网的实时监控和故障诊断，通过及时准确地检测异常事件，提高电网的运行可靠性和安全性。此外，该方法也可推广到其他多模态数据分析领域，如工业过程监控、医疗诊断等。

📄 摘要（原文）

In this paper, we address an anomaly detection problem in smart power grids using Multimodal Subspace Support Vector Data Description (MS-SVDD). This approach aims to leverage better feature relations by considering the data as coming from different modalities. These data are projected into a shared lower-dimensionality subspace which aims to preserve their inner characteristics. To supplement the previous work on this subject, we introduce novel multimodal graph-embedded regularizers that leverage graph information for every modality to enhance the training process, and we consider an improved training equation that allows us to maximize or minimize each modality according to the specified criteria. We apply this regularized graph-embedded model on a 3-modalities dataset after having generalized MS-SVDD algorithms to any number of modalities. To set up our application, we propose a whole preprocessing procedure to extract One-Class Classification training instances from time-bounded event time series that are used to evaluate both the reliability and earliness of our model for Event Detection.