基于优化自编码器集成深度学习的同步相量测量数据网络物理事件分类方法研究

本研究针对智能电网中同步相量测量单元(PMU)数据的高维性、类别不平衡及计算效率问题，提出了一种融合自适应采样(ADASYN/SMOTE)、灰狼优化算法(GWO)和自编码器集成深度学习(Autoencoder-GRU)的框架。通过特征选择与超参数优化，模型在MSU-ORNL数据集上实现了95.82%的测试准确率，为电力系统实时事件分类提供了高效解决方案。

　　

随着智能电网向高比例可再生能源接入方向发展，电力系统网络物理安全面临严峻挑战。同步相量测量技术(PMU)虽能提供毫秒级电网状态数据，但海量高维数据中存在类不平衡（攻击事件占比64.73%）、特征冗余（128维）及实时性要求高等核心难题。传统机器学习方法在应对时序特征提取和复杂攻击模式识别时表现乏力，亟需开发兼具高精度与低延迟的智能分析框架。

中国某研究机构团队在《Results in Engineering》发表研究，构建了面向PMU数据的优化深度学习集成系统。通过融合自适应采样技术、改进型灰狼优化算法和自编码器增强的循环神经网络，实现了对攻击事件、自然事件和正常工况的精准区分。该工作首次将B-GWO特征选择与Autoencoder-GRU集成模型相结合，在保持17个关键特征的前提下，使分类准确率突破95%的技术瓶颈。

关键技术包括：1) 采用SMOTE算法处理MSU-ORNL数据集的类不平衡问题；2) 开发二进制灰狼优化(B-GWO)进行特征降维；3) 构建基于LSTM/BiLSTM/GRU的时序特征提取器；4) 设计自编码器预训练-微调框架提升模型泛化能力；5) 应用GPU加速实现4,852条PMU记录的实时处理。

【数据预处理与特征优化】
研究团队首先对包含15种场景的MSU-ORNL数据集进行清洗，通过ADASYN、ROS和SMOTE对比实验，证明SMOTE能最优平衡三类事件样本（各3,150例）。随后采用标准GWO、AW-GWO和B-GWO进行特征选择，发现B-GWO在仅保留17个特征时仍保持98.15%准确率，较传统方法减少87%特征维度。

【深度学习模型对比】
在LSTM、BiLSTM和GRU基础模型测试中，GRU展现出最佳时序建模能力，测试准确率达94.49%，损失函数0.2001。其双向版本BiLSTM虽在验证集表现优异（93.39%准确率），但GRU凭借更简化的门控结构，训练时间缩短至57秒，更适合实时部署。

【自编码器集成创新】
创新性地引入自编码器进行特征压缩，构建AE-LSTM、AE-BiLSTM和AE-GRU集成模型。其中AE-GRU组合表现最为突出，测试准确率提升至94.92%，损失降至0.1815。可视化分析显示，自编码器有效提取了电压相位角(PA1:VH)、序列阻抗(PA:Z)等关键特征的深层模式。

【超参数优化突破】
通过随机搜索对集成模型进行超参数调优，最终方案使准确率进一步提升至95.82%，测试损失优化到0.1681。值得注意的是，该方法在IEEE 14/57总线系统验证中保持90%以上准确率，证明其强泛化能力。

该研究为智能电网安全监控提供了三大价值：1) 首创将B-GWO与深度学习集成应用于PMU数据分析，特征选择耗时仅1,267秒；2) 开发的AE-GRU模型可识别28类攻击场景（包括FDI和继电器设置篡改），误报率低于5%；3) GPU加速使处理延迟控制在60ms内，满足北美电力可靠性委员会(NERC)的实时响应标准。未来工作可探索Transformer架构与联邦学习的结合，以应对跨区域电网的协同安全防护需求。