Unsupervised Detection of Spatiotemporal Anomalies in PMU Data Using Transformer-Based BiGAN

📄 arXiv: 2509.25612v1 📥 PDF

作者: Muhammad Imran Hossain, Jignesh Solanki, Sarika Khushlani Solanki

分类: cs.LG, cs.AI, eess.SY

发布日期: 2025-09-30

💡 一句话要点

提出T-BiGAN，用于电力系统PMU数据中时空异常的无监督检测。

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

关键词: 电力系统 同步相量测量 异常检测 无监督学习 Transformer 生成对抗网络 时空数据分析

📋 核心要点

  1. 现有方法难以在电力系统中无监督地检测同步相量数据中的时空异常，尤其是在数据量大且异常模式复杂的情况下。
  2. T-BiGAN通过结合Transformer和BiGAN，利用Transformer捕获时空依赖关系，BiGAN实现潜在空间对齐，从而实现无监督异常检测。
  3. 在实际PMU数据上的实验表明，T-BiGAN在异常检测方面显著优于现有方法，尤其是在检测细微的频率和电压偏差方面。

📝 摘要（中文）

为确保电网的弹性，需要及时且无监督地检测同步相量数据流中的异常。本文提出了一种名为T-BiGAN的新框架，该框架将基于窗口注意力的Transformer集成到双向生成对抗网络(BiGAN)中，以应对这一挑战。其自注意力编码器-解码器架构捕获了整个电网中复杂的时空依赖关系，而联合判别器则强制执行循环一致性，以使学习到的潜在空间与真实数据分布对齐。使用自适应分数实时标记异常，该分数结合了重建误差、潜在空间漂移和判别器置信度。在真实的硬件在环PMU基准上进行评估，T-BiGAN实现了0.95的ROC-AUC和0.996的平均精度，显著优于领先的监督和无监督方法。它在检测细微的频率和电压偏差方面表现出特别的优势，证明了其在实时、广域监控中的实际价值，而无需依赖手动标记的故障数据。

🔬 方法详解

问题定义：电力系统同步相量测量单元(PMU)数据包含丰富的电网运行状态信息，但从中检测异常是一项挑战。现有方法通常依赖于监督学习，需要大量标注数据，而实际应用中异常数据难以获取且标注成本高昂。无监督方法虽然不需要标注，但在捕获复杂的时空依赖关系方面存在不足，导致检测精度不高。

核心思路：本文的核心思路是利用Transformer强大的时空建模能力和BiGAN的潜在空间对齐能力，构建一个无监督异常检测框架。Transformer能够有效地捕获PMU数据中的时序和空间相关性，BiGAN则通过对抗学习使学习到的潜在空间与真实数据分布对齐，从而提高异常检测的准确性。

技术框架：T-BiGAN的整体架构是一个双向生成对抗网络(BiGAN)，包含一个编码器、一个解码器和一个判别器。编码器将输入PMU数据映射到潜在空间，解码器则从潜在空间重建原始数据。判别器用于区分真实数据和重建数据，并判断潜在空间向量是否来自编码器。Transformer被集成到编码器和解码器中，用于捕获PMU数据的时空依赖关系。

关键创新：T-BiGAN的关键创新在于将窗口注意力Transformer集成到BiGAN框架中，从而能够有效地捕获PMU数据中的时空依赖关系。此外，T-BiGAN还提出了一种自适应异常评分机制，该机制结合了重建误差、潜在空间漂移和判别器置信度，从而提高了异常检测的鲁棒性。

关键设计：编码器和解码器均采用基于窗口注意力的Transformer结构，窗口大小是一个关键参数，需要根据PMU数据的时序特性进行调整。损失函数包括重建损失、对抗损失和循环一致性损失。自适应异常评分机制中的权重参数需要根据实际数据进行调整，以平衡重建误差、潜在空间漂移和判别器置信度的贡献。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

T-BiGAN在真实的硬件在环PMU基准上进行了评估，取得了显著的性能提升。实验结果表明，T-BiGAN实现了0.95的ROC-AUC和0.996的平均精度，显著优于现有的监督和无监督方法。尤其是在检测细微的频率和电压偏差方面，T-BiGAN表现出更强的优势，证明了其在实际应用中的价值。

🎯 应用场景

该研究成果可应用于电力系统的实时广域监控，实现对电网运行状态的早期预警和故障诊断。通过及时检测电压、频率等参数的异常波动，可以有效避免大规模停电事故的发生，提高电网的稳定性和可靠性。此外，该方法还可扩展到其他时空数据分析领域，如交通流量预测、环境监测等。

📄 摘要（原文）

Ensuring power grid resilience requires the timely and unsupervised detection of anomalies in synchrophasor data streams. We introduce T-BiGAN, a novel framework that integrates window-attention Transformers within a bidirectional Generative Adversarial Network (BiGAN) to address this challenge. Its self-attention encoder-decoder architecture captures complex spatio-temporal dependencies across the grid, while a joint discriminator enforces cycle consistency to align the learned latent space with the true data distribution. Anomalies are flagged in real-time using an adaptive score that combines reconstruction error, latent space drift, and discriminator confidence. Evaluated on a realistic hardware-in-the-loop PMU benchmark, T-BiGAN achieves an ROC-AUC of 0.95 and an average precision of 0.996, significantly outperforming leading supervised and unsupervised methods. It shows particular strength in detecting subtle frequency and voltage deviations, demonstrating its practical value for live, wide-area monitoring without relying on manually labeled fault data.