Early Anomaly-Onset Detection based on Wigner--Ville Distribution Slice Spectra: A Transmission-Grid Test Case

Resumen Técnico: Detección Temprana de Inicio de Anomalías Basada en Espectros de Rebanadas de la Distribución de Wigner–Ville

Formulación del Problema
El monitoreo de perturbaciones operativas en redes de transmisión de alta tensión requiere una toma de decisiones rápida y secuencial basada en las ventanas de formas de onda que van llegando, en lugar de un análisis post-evento de registros completados. Mientras que muchos enfoques de aprendizaje automático tratan esto como una clasificación fuera de línea (offline), los sistemas de monitoreo prácticos deben detectar el momento preciso en que una señal se desvía de su comportamiento normal (detección temprana de inicio de anomalías). El desafío radica en equilibrar el retraso de detección, las detecciones omitidas y las falsas alarmas previas al inicio, particularmente cuando las falsas alarmas son operativamente costosas. Los métodos existentes suelen depender de marcadores de frecuencia de falla seleccionados manualmente o de representaciones espectrales estándar que pueden no capturar plenamente las interacciones transitorias entre los componentes de la forma de onda.

Metodología
El estudio evalúa la Rebanada de la Distribución de Wigner–Ville (WVDS, por sus siglas en inglés) como una representación de vector completo para la detección de anomalías secuencial. A diferencia del análisis tiempo-frecuencia tradicional donde los términos cruzados suelen suprimirse como artefactos, este enfoque aprovecha la estructura de interacción de punto medio bilineal de la Distribación de Wigner–Ville (WVD).

• Representación WVDS: Para una ventana deslizante de 128 muestras, el método calcula una rebanada de WVD de centro fijo. Esto resulta en un vector de 128 dimensiones que contiene la magnitud del espectro. Crucialmente, el método retiene todos los bins, incluyendo los términos cruzados ubicados en las frecuencias de punto medio de pares $(f_q + f_r)/2$. Los autores argumentan que estos términos cruzados codifican las interacciones entre componentes dominantes y débiles, proporcionando evidencia de anomalías que los auto-términos estándar podrían pasar por alto.
• Detectores: Se comparan dos estrategias de detección primarias utilizando las mismas dimensiones de entrada (vectores de 128):
  1. Desviación Normalizada por Línea Base (BND): Una puntuación estadística que calcula la desviación al cuadrado del vector de la ventana actual respecto a la media y la desviación estándar de las ventanas de entrenamiento normales.
  2. Autoencoders (AE): Modelos de aprendizaje profundo entrenados para reconstruir las ventanas normales previas al inicio, utilizando el error de reconstrucción como la puntuación de anomalía.
• Líneas Base Comparativas: Los métodos WVDS se comparan con:
  • Ventanas de dominio del tiempo puras (Raw-AE).
  • Espectros de magnitud de la Transformada Rápida de Fourier (FFT) de vector completo (FFT-BND y FFT-AE).
• Protocolo de Evaluación: El estudio utiliza la base de datos francesa RTE (Réseau de Transport d'Électricité) (DATA_S). Un sistema "maestro" sintético (un autoencoder combinado con clustering) filtra el conjunto de datos para asegurar que los registros comiencen con una región normal y anota el inicio de las anomalías. El conjunto de prueba final comprende 436 ejemplos de fase de registro de voltaje. El rendimiento de la detección se mide mediante el retraso de detección, la tasa de detección omitida, las falsas alarmas previas al inicio (a nivel de registro y de ventana) y el tiempo de ejecución en línea por ventana. Se aplica una estricta regla de persistencia de tres ventanas para activar las alarmas.

Contribuciones Clave

1. WVDS de Vector Completo para la Detección de Anomalías: El artículo introduce el uso del vector completo de WVDS (sin selección manual de marcadores) para el monitoreo de red en línea, preservando la información de los términos cruzados como una característica en lugar de un estorbo.
2. Implementación de la Puntuación BND: Propone y evalúa un mecanismo de puntuación BND para representaciones espectrales de vector completo, ofreciendo una alternativa no basada en redes neuronales a los autoencoders.
3. Análisis Exhaustivo de Compromisos (Trade-offs): El estudio proporciona una comparación rigurosa entre sensibilidad y selectividad, demostrando que WVDS ofrece un punto de operación distinto caracterizado por un número significativamente menor de falsas alarmas en comparación con los métodos basados en FFT, aunque con una sensibilidad ligeramente reducida.

Resultados
Los resultados experimentales en el conjunto de prueba filtrado de RTE resaltan un compromiso claro entre la sensibilidad y la supresión de falsas alarmas:

• Sensibilidad: FFT-BND logró la mayor sensibilidad, detectando el 99.31% de las anomalías con un retraso medio de 23.38 ms. WVDS-BND detectó el 88.07% de las anomalías con un retraso mediano más largo (29.84 ms).
• Falsas Alarmas: WVDS-BND superó significativamente a todos los demás métodos en la supresión de falsas alarmas previas al inicio. Redujo las falsas alarmas a nivel de registro al 0.69% y las falsas alarmas a nivel de ventana al 0.0061%. En contraste, FFT-BND incurrió en una tasa de falsas alarmas a nivel de registro del 39.45%.
• Desempeño de Autoencoders: La tendencia se mantuvo para los autoencoders; WVDS-AE redujo las falsas alarmas a nivel de registro (17.20%) en comparación con FFT-AE (23.17%), pero omitió más ejemplos en total.
• Tiempo de Ejecución: Todos los métodos operaron en el rango de los microsegundos. WVDS-BND fue aproximadamente 1.57 veces más lento que FFT-BND (10.29 µs frente a 6.54 µs por ventana), con la sobrecarga atribuida principalmente a la construcción de la representación WVDS más que a la lógica de puntuación.

Significancia y Afirmaciones
El artículo afirma que preservar la información de los términos cruzados de la WVD crea una representación selectiva para el monitoreo de anomalías de formas de onda de red en línea. Los autores concluyen que WVDS no es un reemplazo universalmente dominante para las características de FFT, sino que cumple un rol específico y crítico: proporciona un punto de operación conservador adecuado para entornos donde las falsas alarmas (por ejemplo, disparos de red innecesarios o fatiga de alarmas) son costosas.

Si bien los métodos basados en FFT siguen siendo preferibles cuando la máxima sensibilidad de detección y la alarma lo más temprana posible son los objetivos primordiales, el enfoque WVDS ofrece una alternativa robusta que minimiza los falsos positivos al aprovechar la evidencia de interacción física codificada en los términos cruzados. El estudio enfatiza que esta selectividad se logra sin construir una superficie completa de tiempo-frecuencia cuadrática, manteniendo el costo computacional manejable para la inferencia por ventana en tiempo real.