物联网(Internet of Things,IoT)技术正在通过快速集成和部署智能电表重塑全球能源格局,这些电表支持高分辨率的能耗监测、双向通信以及先进的计量基础设施服务。然而,这一数字化转型也使电力系统面临不断演变的威胁,涵盖网络入侵、电...物联网(Internet of Things,IoT)技术正在通过快速集成和部署智能电表重塑全球能源格局,这些电表支持高分辨率的能耗监测、双向通信以及先进的计量基础设施服务。然而,这一数字化转型也使电力系统面临不断演变的威胁,涵盖网络入侵、电力盗窃以及设备故障等。这些异常行为的不可预测性,加之标注异常数据的稀缺,使实时检测异常变得尤为困难。为应对这些挑战,提出了一种用于智能电表异常检测的实时决策支持框架,该框架基于滑动时间窗口以及两个自监督对比学习模块。第一个模块通过合成多样化的异常样本来弥补标注的异常数据不足,第二个模块则捕捉内在的时间模式以增强上下文区分能力。提出的端到端框架可持续地利用滚动更新的电表数据实时更新模型,及时识别电网中不断演化出现的新兴异常行为。在8个公开可用的智能电表数据集上针对7种不同的异常模式进行了广泛评估,结果表明所提的完整框架表现优秀,平均召回率和F1分数均超过0.85。展开更多
文摘物联网(Internet of Things,IoT)技术正在通过快速集成和部署智能电表重塑全球能源格局,这些电表支持高分辨率的能耗监测、双向通信以及先进的计量基础设施服务。然而,这一数字化转型也使电力系统面临不断演变的威胁,涵盖网络入侵、电力盗窃以及设备故障等。这些异常行为的不可预测性,加之标注异常数据的稀缺,使实时检测异常变得尤为困难。为应对这些挑战,提出了一种用于智能电表异常检测的实时决策支持框架,该框架基于滑动时间窗口以及两个自监督对比学习模块。第一个模块通过合成多样化的异常样本来弥补标注的异常数据不足,第二个模块则捕捉内在的时间模式以增强上下文区分能力。提出的端到端框架可持续地利用滚动更新的电表数据实时更新模型,及时识别电网中不断演化出现的新兴异常行为。在8个公开可用的智能电表数据集上针对7种不同的异常模式进行了广泛评估,结果表明所提的完整框架表现优秀,平均召回率和F1分数均超过0.85。
