基于深度学习的电网指标数据异常检测方法研究
盛振明1
郭耀松1
刘超1
成阳1
韩肖1
方巍2
1.国电南瑞南京控制系统有限公司,江苏 南京 2111062.南京信息工程大学 计算机学院,江苏 南京 210044
摘要：目的 基于深度学习的时间序列异常检测在电力系统运维、电力设备故障检测、电网运行故障监测等智能运维场景中起关键作用.尽管现有方法取得了显著效果,但它们主要关注于特定窗口的时间序列,忽视了不同特征维度时间序列之间存在的相关性,在某些情况下会导致误检,异常检测精度下降.方法 本文提出一种基于时间-特征维度融合的异常变压器(temporal-feature fusion anomaly transformer,TFFAT)模型,用于无监督多变量电网指标数据异常检测.TFFAT利用图注意力机制并行地从时间维度和特征维度学习多变量时间序列之间的复杂依赖关系,采用异常Transformer模型处理融合的隐藏特征并生成异常得分.结果 结果表明,在 3个公开的时间序列异常检测数据集上,TFFAT检测精度分别达到 89.73%,92.12%,97.14%,显著优于现有基准方法.结论 TFFAT能够充分捕获时间和特征维度的时间序列之间的相关性,从而精确捕获时序数据的异常关系,在电网运维中具有重要的应用价值,能够显著提高电网故障检测的准确性,减少误检,增强电网的稳定性和可靠性.
关键词：深度学习电网数据异常检测电网运维电网监控时间序列
分类号：TM726(输配电工程、电力网及电力系统)
资助基金：国家自然科学基金(42475149)国电南瑞南京控制系统有限公司科技信息项目(524609230052)
论文发表日期：2025-07-31
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 59-65 )
英文信息