使用双向LSTM对生成数据和负载数据进行参与者级别的异常检测

《Scientific Reports》：Participant-level anomaly detection for generation and load data using dual-side LSTMs

　　

摘要

对于发电和负荷计量数据而言，可靠的异常检测对于市场结算至关重要。实际上，异常情况多种多样且分布稀疏，同时负荷侧涉及大量且数量随时间变化的参与者，这使得在参与者层面进行精细定位变得困难。传统的统计阈值方法和通用异常检测器（例如LOF）往往对非平稳性敏感，无法有效利用日内不同时间段之间的时间依赖性，从而导致误报率较高。为了解决这些问题，本文提出了一种基于双向LSTM的参与者级异常检测方法。该方法利用24个日内测量值、每日总量、FFT提取的频率成分以及日历信息构建多模态特征。通过引入零填充和掩码机制，可以在不影响模型训练的情况下处理负荷参与者数量的变化。双层LSTM模型包含16维的参与者嵌入信息，用于学习特定参与者的时间模式；结合相对误差筛选和置信度验证的规则能够实现参与者级别的异常定位和异常时间段的识别。在一个月的省级电网数据集（242台发电机、7.8万至8.5万负荷）上的实验表明，该方法达到了100.0%的F1分数（100.0%的召回率、100.0%的精确度），在定位和时间段识别方面表现极为准确，显著优于传统的统计方法和LOF基线。