面向配电系统状态估计的数据驱动基于学习的优化
信号处理
2019-03-26 v3
摘要
配电系统状态估计（DSSE）是配电网监测与控制的核心任务。高斯-牛顿等广泛使用的算法在 DSSE 通常可用的有限量测下表现不佳，常需多次迭代以获得合理结果，且有时无法收敛。DSSE 是一个非凸问题，而有限量测量进一步加剧了该状况，因为不确定性会引发多个全局（除局部外）极小点。高斯-牛顿 also 已知对初始化敏感。因此，情况远非理想。自然要问是否存在一种智能初始化高斯-牛顿的方法以避免这些 DSSE 特有的缺陷。本文提出利用历史或仿真衍生数据训练一个浅层神经网络来“学习初始化”——即将可用量测映射到真实潜在状态（网络电压）邻域内的点，用于初始化高斯-牛顿。结果表明，与传统的纯优化方法相比，这种混合机器学习/优化方法在稳定性、精度与运行效率方面均展现出更优性能。还表明，神经网训练代价函数的精心设计有助于提升整体 DSSE 性能。
引用
@article{arxiv.1807.01671,
title = {Data-Driven Learning-Based Optimization for Distribution System State Estimation},
author = {Ahmed S. Zamzam and Xiao Fu and Nicholas D. Sidiropoulos},
journal= {arXiv preprint arXiv:1807.01671},
year = {2019}
}
备注
13 pages, 6 figures, 5 tables