Anomaly Detection in Smart Grids using MachineLearning.

基于机器学习的智能电网异常检测

智能电网数据可以分析在许多不同的领域检测异常，如网络安全，故障检测，电力盗窃等。在异常检测中使用机器学习是一个很好的例子。原始网格数据需要特征提取。异常可以定义为智能电网数据与平均趋势不一致的实例或变化。根据电力、电压、电流或消耗的趋势或变化，典型的电网架构的结果可能会有很大的差异。本文针对实际智能电网系统开发了一种异常检测模型，并在基于硬件的测试平台上实现。通过检测异常活动，可以改善数据通信流中的系统行为。它还将识别是否有参数变化表明网络攻击的存在。我们提出的异常检测模型是基于隔离森林(IF)，通过多个决策树从标准观测中分离异常值。基于硬件测试平台的仿真结果验证了该检测方法的性能。通过主成分分析对特征选择进行优化，并通过dickey-fuller检验对模型进行性能分析。

通过融合传统电力数据和通信技术，最终用户的实时数据通过智能电表传输到智能电网。智能电网需要网络安全，因为其复杂的结构和传输数据的敏感性。网络安全部分对每个网格参数的数据流进行系统的异常监测。在本文中，我们将讨论网格中可能出现的各种类型的网络攻击。

我们将开发一种机器学习算法，在深入分析数据并考虑潜在攻击后，使用单个数据生成和数据流点检测异常。智能电网设备受损是电力行业最严重的安全威胁之一。一个提供虚假信息的传感器可能导致控制设备提高电压，从而使电网过载。测量和控制电网的传感器和控制器等智能设备可能会受到威胁。控制设备上的恶意活动也是如此，它可以阻止电力流动。电网中的智能电网设备必须按照预期执行，并确保这种关键资源的健康供应。通过分析来自佛罗里达国际大学能源系统研究实验室的基于硬件的测试平台的真实数据流，本文旨在从数据驱动的角度分析智能电网。本文开发了一种机器学习模型，用于监测异常数据，并对其进行标记，以供进一步分析。

在本文中，基于隔离森林的机器学习模型利用过去的值来预测网格参数的未来值。它还监视网格中的活动，以防攻击者成功地侵入系统或任何其他问题影响网格的参数。开发的模型通过引入一些假攻击来确定它是否检测到系统中的变化来演示。通过该模型，每个节点都可以看到异常行为，使攻击点识别准确率达到98.74%。

本文其余部分的结构如下:第二节介绍了相关工作。第三部分介绍了智能电网试验台的架构、原理、采取的步骤，以及机器学习模型和异常检测的细节。第四节给出了结果和图表，并解释了为什么机器学习模型标记了一个异常点。第五部分对全文进行了总结，并对未来的工作进行了展望。