利用稀疏结构和协同设计来提高电力网 situational awareness

不确定性、异常和网络攻击对电网的日益增长威胁正在推动致力于提升 situational awareness 的关键需求，这允许 system operators 形成关于当前和未来状态的完整且准确的图景。仿真和估计是这一过程中的基础工具。然而，现有工具缺乏对不断演变威胁格局所需的鲁棒性和效率。行业标准 (steady-state) 模拟器对停电不够鲁棒，常导致非收敛或不可操作的结果。估计工具对异常数据不够鲁棒，返回错误的 system 状态。效率是另一个主要关注点，因为非线性和可扩展性问题使得大型系统难以快速收敛。本 thesis 通过双重贡献来解决鲁棒性和效率之间的差距。我们首先解决 existing physics-based 和 data-driven 世界固有的局限性；然后超越常规算法设计的边界，致力于一种新范式--Physics-ML Synergy --，该范式整合了两个世界的优势。我们的 methods 基于 circuit 表述，提供适用于 transmission 和 distribution 的统一框架。稀疏优化是使这些 tools 具内在鲁棒性并免受随机威胁的关键 enabler，指向 (随机) 黑电瘫和数据错误的 dominant sources。进一步，我们探索稀疏性利用优化来开发轻量级 ML models，其 prediction 和 detection 能力可补充 physics-based tools；其轻量级 design 推进 generalization 和可扩展性。最后，Physics-ML Synergy 通过将 physics-based tools 与轻量级 ML 互连，进一步提升对 targeted cyberthreats 的鲁棒性和效率。