《Alexandria Engineering Journal》:A power network anomaly alarm denoising method based on a hybrid LSTM-attention model
编辑推荐:
电网故障告警在最小化系统损害和服务中断方面起着关键作用。然而,现有的深度学习方法常常忽略电力系统数据的拓扑结构和物理特性,导致故障识别性能欠佳。为解决这一局限,研究人员提出PhysLSTM-Attn,一种新颖的物理信息深度学习(physics-informed
电网故障告警在最小化系统损害和服务中断方面起着关键作用。然而,现有的深度学习方法常常忽略电力系统数据的拓扑结构和物理特性,导致故障识别性能欠佳。为解决这一局限,研究人员提出PhysLSTM-Attn,一种新颖的物理信息深度学习(physics-informed deep learning)方法,用于电力网络异常告警去噪。该模型直接将基尔霍夫定律(Kirchhoff's Laws)嵌入特征嵌入层,确保学习到的表示遵循基本的电路守恒原理。一个拓扑感知双向长短期记忆(LSTM)编码器通过将基于图拉普拉斯(graph-Laplacian)的位置编码集成到其门控机制中,同时捕获时间依赖性和空间关系。此外,一种电气距离增强的多头注意力(electrical-distance-enhanced multi-head attention)机制基于电气耦合强度而非语义相似性计算注意力权重,更准确地反映设备交互。一个多跳图卷积网络(multi-hop graph convolutional network)进一步建模跨多个电气距离的级联故障传播,同时一个置信度校准模块提供可靠性估计以支持决策。在华东电网告警数据集(East China Power Grid Alarm Dataset)和IEEE 118节点扩展数据集(IEEE 118-Node Extended Dataset)上的综合实验表明,与LSTM-注意力(LSTM-Attention)基线相比,准确率分别提升了8.32%和7.43%。
**论文解读文章**
**研究背景与问题**
电力系统是现代社会的基础,电网故障可能导致大面积停电,扰乱公共服务。为确保安全运行,电网产生大量告警数据,反映运行中的异常并通知维护人员采取纠正措施。然而,这些告警数据既包含指示真实故障的真实告警,也包含由设备故障、环境干扰和通信故障等因素引起的虚假告警,虚假告警可占总告警量的80%以上,增加了维护人员的工作量,并可能导致真实故障被忽略,从而危及电网安全。现有深度学习方法常忽略电力系统数据的拓扑结构和物理特性,仅关注时间依赖性,未能充分建模设备间的空间关系和物理约束,导致故障识别性能欠佳。早期基于机器学习的方法(如支持向量机SVM、随机森林RF)依赖手动特征提取,当告警模式变化时表现不佳;基于循环神经网络(RNN)的方法(如LSTM)虽能捕获时间依赖性,但忽略了电网拓扑的空间特征;图神经网络(GNN)方法虽能处理拓扑数据,但通常基于语义相似性计算注意力权重,忽略了电气距离等物理因素。为此,研究人员提出PhysLSTM-Attn,一种基于混合LSTM-注意力模型的物理信息深度学习方法,旨在增强模型区分真实与虚假告警的能力,同时利用物理和拓扑属性提升准确性。该论文发表在《Alexandria Engineering Journal》。
**研究内容与结论**
研究人员开展了基于物理约束和拓扑感知的电力网络异常告警去噪研究,提出了PhysLSTM-Attn模型。该模型将基尔霍夫电流定律(KCL)和基尔霍夫电压定律(KVL)直接嵌入特征表示中,确保预测符合物理原理;设计了一种集成网络拓扑的双向LSTM结构,同时捕获告警数据的时间依赖性和空间关系;引入基于电气距离的注意力机制,更准确地反映设备之间的物理耦合强度;采用多跳图卷积网络(GCN)建模故障的级联传播;输出不仅判断告警真实性,还提供预测的置信度估计。在华东电网告警数据集(EGAD)和IEEE 118节点扩展数据集(IEEE-118-EXT)上的实验表明,与LSTM-注意力基线相比,准确率分别提升了8.32%和7.43%,验证了模型的有效性和鲁棒性。
**主要关键技术方法(不超过250字)**
研究人员采用以下关键技术方法:物理约束嵌入层,将基尔霍夫定律(KCL和KVL)编码为约束矩阵,通过tanh变换和残差连接融入基础特征嵌入,确保物理一致性;拓扑感知双向LSTM编码器,利用图拉普拉斯(graph-Laplacian)特征向量生成拓扑位置编码,并集成到LSTM门控机制中,同时通过邻居信息聚合增强空间感知;电气距离增强多头注意力机制,基于电气状态参数计算电气距离,并设计具可训练阈值的注意力掩码,使注意力权重反映物理耦合强度;多跳图卷积网络,通过迭代归一化邻接矩阵和时域衰减因子建模级联故障传播;置信度校准模块,输出预测置信度以支持决策。数据集来源:华东电网告警数据集(EGAD,2022年1月至2023年12月,35,847个设备节点,156,892条告警)和IEEE 118节点扩展数据集(IEEE-118-EXT,模拟数据,118节点,458,692条告警)。
**研究结果**
**主实验结果**
在EGAD和IEEE-118-EXT数据集上,使用准确率、精确率、召回率、F1-score和AUC进行评价。PhysLSTM-Attn在EGAD上达到92.4%准确率,较GCN-LSTM提升4.5%;在IEEE-118-EXT上达到94.1%准确率,较GCN-LSTM提升4.6%。与LSTM、GRU、LSTM-注意力、GCN、GAT、STGCN、GCN-LSTM等基线方法相比,PhysLSTM-Attn在所有指标上均表现最优,表明物理约束、拓扑感知和电气距离注意力的引入有效提升了分类性能。注意力权重分布对比显示,传统方法倾向于关注地理接近但电气距离远的设备,而本方法将注意力集中于电气最近的设备,更准确反映故障传播影响。计算复杂度分析表明,本方法虽训练时间较高,但预测准确率是电力告警场景中最关键的因素。ROC-AUC曲线进一步验证了本方法优于其他方法。置信度校准曲线显示,本方法的预测置信度与真实准确率高度一致,而GCN-LSTM在高置信度区域存在过度自信。训练过程显示,损失函数快速下降并稳定,分类损失下降最快,物理损失和置信度损失逐步收敛。
**消融实验结果**
(1)不同模块的影响:以仅含LSTM的模型为基准,依次加入物理约束嵌入、拓扑感知LSTM、电气距离注意力、级联传播感知,在EGAD上准确率分别提升2.7%、2.6%、2.5%、1.3%,完整模型达到92.4%准确率(IEEE-118-EXT上为94.1%),表明各模块均贡献显著。(2)不同告警类型的影响:对过载告警、电压异常、频率偏差、保护动作、通信故障和设备异常六类告警进行分类,保护动作告警准确率最高,通信故障告警性能最差(低5.9%),原因在于保护动作由清晰物理异常触发,而通信故障源于外部因素,不易检测。(3)不同节点数的影响:网络规模从50节点增至1000节点,准确率从95.3%下降至91.2%,但保持较高水平;处理时间从2.1ms增至48.7ms,呈线性增长,表明模型可扩展性良好。(4)不同噪声水平的影响:在0%至30%噪声水平下,本方法在0%噪声时准确率94.1%,30%噪声时下降7%但仍优于所有对比方法,而STGCN等模型下降超20%,说明物理约束增强了噪声鲁棒性。
**案例研究**
在真实故障场景中,对变压器过载、线路跳闸、电压越限、频率异常和复合故障五类故障进行检测,本方法平均检测率为95.7%,传统方法为81.2%,提升14.5%。电压和电流监测实验显示,真实故障导致约25kV电压降和约30A电流上升,虚假告警仅引起小幅波动,本方法能有效区分。在大型合成电网(500至2000节点)上的扩展实验表明,模型在2000节点时准确率仍达90.4%,仅下降3.7%,验证了可扩展性。
**讨论与结论**
讨论部分总结:本方法通过物理约束、拓扑感知LSTM、电气距离注意力、级联传播和置信度校准,有效解决了现有方法忽略拓扑和物理特性的问题,在真实和扩展数据集上取得显著改进。研究表明,集成物理先验有助于缓解噪声负面影响,电气距离注意力更准确反映设备交互,多跳GCN建模故障级联传播,置信度校准提供可靠决策支持。然而,多跳图卷积和双向LSTM的计算成本随网络规模增大而增加,可能成为限制因素。未来工作将聚焦于提升可扩展性,如模型剪枝、分布式计算或更高效的注意力机制。
结论部分翻译:本文提出了一种基于混合LSTM-注意力模型的电力网络异常告警去噪新方法。通过引入物理约束并利用拓扑感知双向LSTM结构,该模型有效捕获了告警数据中的时间和空间依赖性。此外,研究人员引入了一种基于电气距离的新型注意力机制,反映了电网中设备之间的物理耦合。为了建模级联故障传播,采用多跳图卷积网络,捕获跨多个距离的故障影响。在EGAD和IEEE-118-EXT数据集上的实验结果表明,与LSTM-注意力基线相比,准确率分别提升了8.32%和7.43%。然而,随着网络规模增大,多跳图卷积和双向LSTM结构的计算成本可能变得过高。未来工作将致力于提升可扩展性,可能通过模型剪枝、分布式计算或更高效的注意力机制。