用于电力系统拓扑辨识的复值拉普拉斯矩阵估计
信号处理
2024-10-28 v2
摘要
在本文中，我们研究估计复值拉普拉斯矩阵的问题，重点在于其在电力系统导纳矩阵估计中的应用。所提出的方法基于复值拉普拉斯矩阵的约束最大似然估计器（CMLE），其被表述为带有拉普拉斯和稀疏性约束的优化问题。复值拉普拉斯矩阵是一个对称的、非厄米的矩阵，其实部和虚部呈现出联合稀疏模式。因此，我们提出了一种基于组稀疏的惩罚对数似然方法用于拉普拉斯估计。利用联合稀疏约束的混合ℓ2,1范数松弛，我们开发了一种新的交替方向乘子法（ADMM）估计算法，用于在线性高斯模型下实现拉普拉斯矩阵的CMLE。接下来，我们将所提出的ADMM算法应用于在源自基尔霍夫和欧姆定律的三种常用测量模型下的导纳矩阵估计问题，每种模型具有不同的假设和简化：1）非线性交流（AC）模型；2）解耦线性功率流（DLPF）模型；3）直流（DC）模型。ADMM算法的性能使用来自IEEE 33总线电力系统数据在不同设置下的数据进行了评估。数值实验表明，所提算法在均方误差（MSE）和F值方面优于现有方法，从而提供了更准确的导纳矩阵恢复。
引用
@article{arxiv.2308.03392,
title = {Estimation of Complex Valued Laplacian Matrices for Topology Identification in Power Systems},
author = {Morad Halihal and Tirza Routtenberg and H. Vincent Poor},
journal= {arXiv preprint arXiv:2308.03392},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication