用于直流微电网异常检测的生成对抗不平衡学习方法

《Expert Systems with Applications》：Generative Adversarial Imbalanced Learning for DC Microgrid Anomaly Detection

针对微电网异常检测中数据稀缺和类别不平衡问题，提出基于LSTM-GAN的生成对抗不平衡学习方法。通过时间频域特征提取与相关性分析优化特征子集，利用GAN生成合成异常数据平衡样本，结合网格搜索优化的随机森林分类器，实验表明该方法在数据稀缺条件下准确率提升4.8%-8.3%，有效提升微电网安全检测性能。

　　
分布式能源系统安全运行的关键挑战在于实时识别物理设备故障与网络攻击行为。当前异常检测方法面临两大核心问题：其一，实际系统中异常样本稀缺且分布不均，传统监督学习模型难以有效学习 minority class 特征；其二，时间序列数据与频域特征信息存在割裂现象，导致检测系统对复杂攻击模式识别不足。针对上述缺陷，该研究构建了融合生成对抗网络与集成学习的多维度检测框架，在确保系统稳定性的同时显著提升异常识别精度。

### 一、系统安全威胁与检测需求演进
现代微电网系统呈现三个显著特征：高并发通信网络依赖性、多物理域耦合性以及动态拓扑重构能力。这种架构使得传统检测方法面临双重挑战：网络攻击具有隐蔽性强、变异速度快的特点，如2023年美国西部电网遭受的DDoS攻击导致超过百万用户断电；而物理设备故障则表现出非平稳时序特征，如逆变器过载引发的谐波畸变。

现有检测方法主要分为三类技术路径：基于信号处理的方法依赖阈值判断，存在误报率高的问题；模型驱动方法受限于精确的数学模型，难以适应复杂动态环境；数据驱动方法虽能捕捉非线性关系，却普遍存在特征冗余与类别失衡的缺陷。实验数据表明，传统监督学习方法在异常样本占比低于5%时，检测准确率骤降至72%以下（Zhang et al., 2021），这严重制约了实际应用效果。

### 二、多维度特征融合与动态建模
研究团队创新性地提出分层特征工程方案，通过时频联合分析构建多维特征空间。在时域层面，重点捕获电压电流的统计量特征（均值、标准差、峰值因子等）；频域分析则聚焦于特定谐波成分（5th, 7th, 11th, 13th谐波）的频谱能量分布。特别值得关注的是，采用互信息熵算法进行特征筛选，仅保留贡献度超过0.7的23个核心特征，既避免了维度灾难，又确保了特征解释性。

针对时间序列的强时序依赖特性，构建了改进型LSTM-GAN架构。生成器部分采用双通道结构：主通道处理常规时序数据，通过LSTM单元捕获长期依赖关系；辅助通道专门生成异常数据样本，通过条件GAN约束生成数据的物理可行性。这种设计使得合成样本不仅保持原有数据分布特征，还能模仿真实攻击的时序演化规律，实验显示合成数据在 Kolmogorov-Smirnov检验中与真实数据分布差异小于3%。

### 三、动态平衡数据增强机制
数据稀缺问题通过创新的三阶段增强策略解决：首先，基于GAN生成基础异常样本，通过对抗训练确保生成数据具有类内多样性；其次，引入时空变换操作，包括时间窗滑动（5-60秒）、相位偏移（±15°）以及频率调制（±2%），有效扩展样本空间；最后，采用主动学习框架，通过 uncertainty sampling 筛选置信度低于0.85的样本进行人工标注，形成螺旋式迭代优化过程。

在类别失衡处理方面，开发了动态权重调整机制。针对正常样本占比95%的情况，采用Focal Loss函数的改进版本，设置alpha参数为0.7时，能有效提升 minority class 训练效率。实验对比显示，与传统SMOTE算法相比，该机制在F1-score指标上提升18.6%，特别是在识别新型混合攻击模式（物理故障+数据注入）时，误报率降低至2.3%。

### 四、智能分类器优化与验证
集成学习器选用改进型随机森林算法，通过五折交叉验证确定最优超参数组合。特征重要性评估显示，电压谐波畸变率（VTHD）和通信时延方差特征权重超过0.6，成为检测系统的关键决策因子。分类器采用动态采样策略，对少数类样本进行5倍过采样，同时结合SMOTE-ENN混合处理，在保持数据分布特征的前提下，将正负样本比例从95:5优化至60:40。

仿真验证采用四区互联微电网模型，包含光伏、储能、柴油机组等混合电源。设置三种典型攻击场景：1) 逆变器通信数据注入攻击（幅度±5%）；2) 线路阻抗突变故障（变化率>0.1pu/s）；3) 混合攻击（同时存在数据注入和设备过载）。实验数据显示，在攻击样本占比0.8%的极端条件下，检测系统仍保持92.3%的准确率，较传统方法提升4.8-8.3个百分点。

### 五、工程应用价值与局限分析
该方法在多个示范项目中得到验证，包括湖南省某智能微电网改造项目。实际运行数据表明，系统对PMU异常数据注入的检测灵敏度达到98.7%，对分布式储能过充故障的定位精度优于0.5%。但研究也指出生成数据在极端天气条件下的泛化能力不足，建议后续研究可结合物理信息神经网络（PINN）进行约束优化。

在方法局限性方面，存在两个技术瓶颈：首先，通信协议加密数据时序特征，需开发专用解密模块；其次，现有生成模型对多类型攻击的联合演化模式捕捉不足。未来工作将重点突破动态对抗训练框架，并探索图神经网络在设备关联攻击识别中的应用。

该研究的技术突破体现在三个方面：1) 首次建立时频域特征联合优化模型，解决传统方法特征割裂问题；2) 开发基于对抗训练的动态数据增强机制，在数据稀缺条件下仍能保持模型泛化能力；3) 构建包含特征重要性评估、动态权重调整、异常溯源的三层检测架构，实现从数据驱动到知识驱动的范式转变。这些创新成果为构建新一代智能微电网安全防护体系提供了关键技术支撑。