Machine Learning Methods for Anomaly Detection on Phasor Measurement Unit Data

Abstract

I en verden av økende digitalisering, kombinert med en økende etterspørsel etter strøm fra rene energikilder, vokser den cyber-fysiske interaksjonen i kraftsystemet stadig fortere. Denne veksten krever nye og bedre teknikker for å sikre et stabilt og beskyttet kraftsystem, med evnen til å møte etterspørselen i samfunnet. Phasor Measurement Umits (PMUs) gir nettselskapene muligheten til å forbedre deres overvåknings- og sikkerhetskapasitet. Disse måleenhetene tilbyr presise høyfrekvente målinger gjennom hele kraftsystem, og øker dermed nettselskapenes systemoversikt. Samtidig krever disse enhetene at flere komponenter og systemer fungerer feilfritt, blandt annet dataoverføring over lange avstander. Dette gjør måledataen sårbar for feil som har sin opprinnelse i selve systemet, samt eksterne nettangrep. Det er derfor avgjørende for raske og effektive feildeteksjonsmodeller for å beskytte og hindre ustabilitet i kraftsystemet.

Denne masteroppgaven undersøker og foreslår en metode for feildeteksjon ved bruk av maskinlæring og modeller for kunstig intelligens. Prediksjonsbaserte maskinlæringsmodeller sammen med metoder for terskelverdier brukes til å lokalisere og merke unormale måleverdier levert av PMUer. To forskjellige datasett med PMU målinger har blitt analysert. Datasettene inneholder ekte målinger fra transmisjonsnettet i Norge, og i Texas, USA. Maskinlæringsmodeller basert på en kombinasjon av Convolutional Neural Networks (CNN) og Long Short Term Memory (LSTM) arkitektur viste seg å være mest presise i å finne feil under testene som ble gjennomført. Disse modellene fant en høyere prosent av feilene, samtidig som de markerte færre falske positive. Alle modellene manglet evnen til å detektere avdriftsavvik, men viste derimot lovende resultater for deteksjon av injisert støy, hopp og kortvarige topper. Dette legger et godt grunnlag for videre modellutvikling, og til slutt implementering av modellen i sanntid.

In a world of increased digitization and digitalization together with the increased demand of power and renewable energy sources, the cyber-physical interaction in the power system is expanding at a fast pace. This expansion requires new and improved techniques to ensure a stable and protected power system, able to deliver the necessary power demanded from the grid. Phasor Measurement Units (PMUs) provide the ability to improve monitoring and protection capabilities in power systems. These measurement units allow for precise high frequency measurements throughout the power system, increasing the situational awareness for system operators. However, these units require multiple components and systems working in unison, as well as data transmission over long distances. This makes the measurement system vulnerable for anomalies originating in the system itself, as well as external malicious cyber attacks. It is therefore crucial for rapid and effective anomaly detection schemes to protect and hinder instability in the power system.

This thesis investigates and proposes an anomaly detection method using machine learning and artificial intelligence models. Prediction based machine learning models together with error thresholding is used to locate and label anomalous data provided by PMUs. Two different data sets with PMU measurements are analyzed. The data sets contain real measurements from the power system in Norway and Texas, USA. The hybridization of machine learning models based on Convolutional Neural Network (CNN) and Long Short Term Memory (LSTM) architecture proved more effective in detecting anomalies in the tests completed, with a higher percentage of anomalies detected together with fewer false positives. The models lacked in performance detecting drift anomalies, however showed promising results for anomaly detection for injected noise, spikes and offset anomalies, laying a good foundation for further model development and real-time model deployment.