基于检测与填补的两阶段去噪扩散电力系统量测恢复方法应对信息物理不确定性
机器学习
2025-02-17 v2 密码学与安全
摘要
电力系统的信息物理不确定性，包括源自网络攻击和数据丢失的量测模糊性，以及由大规模可再生能源和复杂动态引入的系统不确定性，降低了提升量测质量的可能性。幸运的是，去噪扩散模型对现实世界复杂的底层物理过程展现出强大的学习和生成能力。为此，本文提出一种改进的基于检测与填补的两阶段去噪扩散模型（TSDM），用于识别并重构具有各种信息物理不确定性的量测数据。模型的第一阶段包含一个分类器引导的条件异常检测组件，第二阶段则涉及基于扩散的量测填补组件。此外，所提出的 TSDM 采用最优方差，通过子序列采样加速扩散生成过程。大量数值算例研究表明，尽管存在可再生能源引起的强随机性和高度非线性动态，所提出的 TSDM 仍能准确恢复电力系统量测。同时，与现有重构网络相比，所提出的 TSDM 具有更强的鲁棒性，且计算复杂度低于一般的去噪扩散模型。
引用
@article{arxiv.2312.04346,
title = {Detection and Imputation based Two-Stage Denoising Diffusion Power System Measurement Recovery under Cyber-Physical Uncertainties},
author = {Jianhua Pei and Jingyu Wang and Dongyuan Shi and Ping Wang},
journal= {arXiv preprint arXiv:2312.04346},
year = {2025}
}