来源：期刊VIP网 时间：
作者：盛振明;郭耀松;刘超;成阳;韩肖;方巍;
单位：国电南瑞南京控制系统有限公司;南京信息工程大学计算机学院;
摘要：目的 基于深度学习的时间序列异常检测在电力系统运维、电力设备故障检测、电网运行故障监测等智能运维场景中起关键作用。尽管现有方法取得了显著效果，但它们主要关注于特定窗口的时间序列，忽视了不同特征维度时间序列之间存在的相关性，在某些情况下会导致误检，异常检测精度下降。方法本文提出一种基于时间-特征维度融合的异常变压器（temporal-featurefusionanomalytransformer,TFFAT）模型，用于无监督多变量电网指标数据异常检测。TFFAT利用图注意力机制并行地从时间维度和特征维度学习多变量时间序列之间的复杂依赖关系，采用异常Transformer模型处理融合的隐藏特征并生成异常得分。结果结果表明，在3个公开的时间序列异常检测数据集上，TFFAT检测精度分别达到89.73%,92.12%,97.14%，显著优于现有基准方法。结论 TFFAT能够充分捕获时间和特征维度的时间序列之间的相关性，从而精确捕获时序数据的异常关系，在电网运维中具有重要的应用价值，能够显著提高电网故障检测的准确性，减少误检，增强电网的稳定性和可靠性。
关键词：深度学习;;电网数据;;异常检测;;电网运维;;电网监控;;时间序列
基金资助：国家自然科学基金资助项目（42475149）;; 2023年国电南瑞南京控制系统有限公司科技信息项目（524609230052）
