Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs

📄 arXiv: 2406.02927v1 📥 PDF

作者: Mehdi Jabbari Zideh, Sarika Khushalani Solanki

分类: eess.SY, cs.AI, cs.LG

发布日期: 2024-06-05

期刊: Sustainable Energy, Grids and Networks, Vol. 44, December 2025, 102022

DOI: 10.1016/j.segan.2025.102022

💡 一句话要点

提出一种多变量物理信息卷积自编码器，用于检测高比例分布式能源电力系统中的异常。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 物理信息神经网络 卷积自编码器 异常检测 电力系统 分布式能源 网络安全 智能电网

📋 核心要点

  1. 深度学习模型在电力系统中的应用受限于数据稀缺、采集成本高以及泛化能力不足等问题。
  2. 论文提出多变量物理信息卷积自编码器(PIConvAE)，将基尔霍夫电路定律融入损失函数，提升模型的可解释性和鲁棒性。
  3. 实验结果表明，PIConvAE在不平衡配电网格中能有效检测网络异常，且在数据稀缺情况下表现优异。

📝 摘要（中文）

由于数据可用性问题、数据采集成本以及超出训练窗口的数据缺乏解释和外推能力，深度学习模型在分析网络物理事件下的系统状态时能力有限。此外，风能和太阳能等分布式能源(DER)的集成增加了电力系统的复杂性和非线性。因此，迫切需要一种可解释且可靠的方法来增强电力系统运营商的信心和态势感知能力，以做出可靠的决策。本文提出了一种多变量物理信息卷积自编码器(PIConvAE)模型，用于检测具有不平衡配置和高比例DER的配电系统中的网络异常。通过定制的损失函数整合物理定律，该函数将潜在的基尔霍夫电路定律嵌入到自编码器的训练过程中。该模型在IEEE 123节点系统和加州河滨市的真实馈线两个不平衡配电网格上进行了评估，结果表明该方法在检测各种网络异常方面表现出色。此外，还在不同训练数据比例的数据稀缺场景中评估了模型的有效性。最后，将该模型的性能与现有的机器学习模型进行了比较，结果表明PIConvAE模型以明显更高的检测指标超越了其他模型。

🔬 方法详解

问题定义：电力系统中分布式能源（DER）的高比例接入增加了系统的复杂性和非线性，使得网络异常检测更具挑战性。现有的深度学习方法在数据有限的情况下泛化能力不足，且缺乏可解释性，难以满足电力系统运营商对可靠决策的需求。

核心思路：论文的核心思路是将电力系统的物理定律（基尔霍夫电路定律）融入到深度学习模型的训练过程中，从而提高模型的鲁棒性、可解释性和泛化能力。通过物理信息的约束，模型能够更好地理解电力系统的运行规律，从而更准确地检测异常。

技术框架：该方法采用多变量卷积自编码器（ConvAE）作为基础框架，并在此基础上引入物理信息。整体流程包括：1) 数据预处理，提取电力系统的相关变量；2) 构建ConvAE模型，用于学习正常运行状态下的数据分布；3) 设计包含物理信息的损失函数，将基尔霍夫电路定律嵌入到训练过程中；4) 使用训练好的模型进行异常检测，通过重构误差和物理信息误差来判断是否存在异常。

关键创新：该方法最重要的创新点在于将物理信息融入到深度学习模型中。传统的深度学习方法主要依赖于数据驱动，而忽略了电力系统固有的物理规律。通过将基尔霍夫电路定律嵌入到损失函数中，模型能够更好地学习电力系统的运行特性，从而提高异常检测的准确性和可靠性。

关键设计：关键设计包括：1) 损失函数的设计，除了重构误差外，还包括基于基尔霍夫电路定律的物理信息误差项，用于约束模型的训练；2) ConvAE的网络结构，采用卷积层提取特征，并通过自编码器学习数据的低维表示；3) 多变量输入，考虑了电力系统中多个变量之间的相关性，从而更全面地反映系统的运行状态。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的PIConvAE模型在IEEE 123节点系统和真实配电网格中均表现出色，能够有效检测各种网络异常。与现有机器学习模型相比，PIConvAE模型具有更高的检测精度和更低的误报率。此外，该模型在数据稀缺的情况下仍能保持良好的性能，具有较强的鲁棒性。

🎯 应用场景

该研究成果可应用于智能电网的网络安全监控，帮助电力系统运营商及时发现和应对网络攻击、设备故障等异常事件，提高电力系统的可靠性和稳定性。此外，该方法也可推广到其他复杂物理系统的异常检测，例如交通网络、水资源管理系统等。

📄 摘要（原文）

Despite the relentless progress of deep learning models in analyzing the system conditions under cyber-physical events, their abilities are limited in the power system domain due to data availability issues, cost of data acquisition, and lack of interpretation and extrapolation for the data beyond the training windows. In addition, the integration of distributed energy resources (DERs) such as wind and solar generations increases the complexities and nonlinear nature of power systems. Therefore, an interpretable and reliable methodology is of utmost need to increase the confidence of power system operators and their situational awareness for making reliable decisions. This has led to the development of physics-informed neural network (PINN) models as more interpretable, trustworthy, and robust models where the underlying principled laws are integrated into the training process of neural network models to achieve improved performance. This paper proposes a multivariate physics-informed convolutional autoencoder (PIConvAE) model to detect cyber anomalies in power distribution systems with unbalanced configurations and high penetration of DERs. The physical laws are integrated through a customized loss function that embeds the underlying Kirchhoff's circuit laws into the training process of the autoencoder. The performance of the multivariate PIConvAE model is evaluated on two unbalanced power distribution grids, IEEE 123-bus system and a real-world feeder in Riverside, CA. The results show the exceptional performance of the proposed method in detecting various cyber anomalies in both systems. In addition, the model's effectiveness is evaluated in data scarcity scenarios with different training data ratios. Finally, the model's performance is compared with existing machine learning models where the PIConvAE model surpasses other models with considerably higher detection metrics.