《Frontiers in Artificial Intelligence》：Benchmark-grounded self-supervised contrastive learning for AMI-based distribution grid monitoring
编辑推荐：
引言：自监督对比学习对于时间序列表示学习有效，但其在工业环境中的部署因时空异质性、领域特定噪声和标签稀缺而仍具挑战性。研究人员在智能电网领域研究了这些挑战，智能电网是典型的网络物理系统（CPS），其特征为非平稳事件、缺失数据和政策驱动的分布偏移。方法：研究人员
引言：自监督对比学习对于时间序列表示学习有效，但其在工业环境中的部署因时空异质性、领域特定噪声和标签稀缺而仍具挑战性。研究人员在智能电网领域研究了这些挑战，智能电网是典型的网络物理系统（CPS），其特征为非平稳事件、缺失数据和政策驱动的分布偏移。方法：研究人员提出了中国西部AMI基准（WCA-Bench），这是一个真实世界数据集，包含来自1,950个用户的713,700条用户日用电曲线，以及506个专家验证的结构演化事件，包括电动汽车（EV）接入和光伏（PV）安装。研究人员进一步提出了域感知自监督对比学习（DA-SSCL），该框架结合了轻量级PatchMLP编码器、物理锚定的增广以及分层实例级和补丁级InfoNCE目标。结果：DA-SSCL实现了0.699的无监督聚类调整兰德指数（ARI），仅用10%标记数据即达到88.4%的分类准确率，并在所评估的异构城市区域间保持可迁移性。讨论：这些结果为网络物理系统中稳健、标签高效且可迁移的时间序列表示学习提供了实用方法论和经过验证的基准。
**研究背景**
时间序列表示学习是人工智能领域的基础性挑战，对从网络物理系统（CPS，集成计算、通信与物理过程的系统）产生的高维时序数据中提取可操作信息至关重要。深度监督学习虽取得显著成功，但对大规模高质量标注数据的依赖形成严重瓶颈。在专业工业领域，专家标注成本高昂、受隐私限制或难以获得，标签稀缺问题尤为突出。自监督学习（SSL，利用未标记数据设计辅助任务进行特征学习的方法）及对比学习通过利用未标记数据的内在结构设计预文本任务，已成为变革性范式。然而，现有时间序列SSL模型多在静态、精心整理或简化的合成数据集上评估，难以反映真实环境中固有的非平稳动态、异构噪声和严重分布偏移。智能电网依托高级量测基础设施（AMI，先进计量基础设施），是理想的网络物理生态系统，但其数据呈现强周期性与电动汽车（EV）接入、光伏（PV）安装等结构演化事件相纠缠的复杂性，且存在通信缺失和政策驱动的分布偏移。目前缺乏开放的、专家验证的基准来捕捉这些丰富的时空调度现象。通用SSL框架直接迁移存在根本性问题：领域无关的增广可能扭曲物理因果、违反能量守恒或抹除关键时间特征。
**研究内容与意义**
为此，研究人员构建了中国西部AMI基准（WCA-Bench），包含1,950个用户、713,700条用户日用电曲线和506个专家验证的结构演化事件，覆盖三个异构城市区域。在此基础上提出域感知自监督对比学习（DA-SSCL），将观测到的物理现象直接转化为增广设计和表示学习约束。实验证明该方法在无监督聚类、低标签分类和跨域迁移方面均表现优异，为CPS中稳健、标签高效且可迁移的时间序列表示学习提供了实用方法论和验证基准。论文发表于《Frontiers in Artificial Intelligence》。
**关键技术方法**
DA-SSCL包含三个模块：（1）领域特定增广库，基于WCA-Bench中验证的AMI感测现象设计六种操作——时间掩码、周期扰动、峰值平移、负荷再分配、季节调制和天气影响，参数范围受经验行为约束；（2）PatchMLP编码器，将24点日曲线划分为6个补丁，通过残差MLP块进行时间混合与特征混合，约15k参数，复杂度O(L)；（3）分层对比目标，实例级InfoNCE损失结合难负样本挖掘和队列存储，补丁级局部对比损失，总目标L
total=L
inst+αL
patch。样本来源于中国西部实际电网运营数据。
**研究结果**
性能比较：在AllCities混合基准上，DA-SSCL在全部聚类指标上优于基线，ARI从最强SSL基线Series2Vec16的0.594提升至0.699，标准化互信息（NMI）达0.763，轮廓系数（SC）达0.630。
消融研究：移除全部增广使ARI降至0.3482，表明基准锚定的视图生成是核心机制；逐一剔除分析显示各增广贡献具有异质性，峰值平移和时间掩码影响最显著，负荷再分配和季节调制影响中等。
可迁移性分析：跨域迁移中完整迁移策略（源域预训练+无标记目标域自适应）优于单一策略，目标准确率达0.8974，ARI从0.6360提升至0.7260，验证了源域先验与目标域自适应的互补性。
超参数敏感性分析：补丁损失权重α=0.5时分类性能最优（准确率0.9137），融合维度D=16在容量、稳定性与跨域复用间达最佳平衡。
半监督分类：仅10%标记数据即达88.4%准确率，接近全监督水平，优于MOMENT16、TSDE16等通用基础模型，表明预训练已捕获大部分下游类别结构。
**讨论与结论**
讨论部分通过遮挡敏感性分析发现上午7:00至12:00及晚间活跃时段对嵌入贡献较大，对应高行为熵和政策驱动结构转变时段，支持了基准锚定目标帮助编码器保留重要生成因子的结论。t-SNE可视化显示特征空间具有紧凑且部分连通的行为模式区域。研究同时指出预定义增广库难以覆盖全新分布外现象、时间泛化需以时间顺序划分进一步探索、以及隐私保护和联邦学习等未来方向。结论表明，将自监督目标锚定于领域物理能够产生稳健、可解释且可迁移的表示，为工业应用中标签高效的AI提供了可行路径。
