高斯-牛顿展开神经网络与数据驱动先验用于具有鲁棒性的正则化电力系统状态估计
系统与控制
2020-05-22 v3 系统与控制
信号处理
摘要
分布式可再生发电、弹性负荷以及对电表读数的蓄意篡改，对当今电力系统(PS)的监测与控制提出了挑战。在此背景下，为实时维持对系统的全面观测，亟需快速且鲁棒的状态估计(SE)方法。传统的电力系统状态估计(PSSE)求解器通常通过例如主力高斯-牛顿方法最小化一个非线性非凸最小二乘问题。然而，这些迭代求解器对初始化敏感，并可能陷入局部极小值。为克服这些障碍并受近期图像去噪技术启发，本文主张为PSSE使用一种基于深度神经网络(DNN)先验的可学习正则化项。针对所得正则化PSSE问题，首先开发了一种“类高斯-牛顿”交替最小化求解器。为适应实时监测，通过展开所提交替最小化求解器构建了一种新颖的端到端DNN。有趣的是，通过设计基于图神经网络(GNN)的先验，可轻松将电力网络拓扑融入DNN中。为赋予该基于物理的DNN针对不良数据的鲁棒性，讨论了对抗性DNN训练方法。在IEEE 总线基准系统上使用真实负荷数据的数值测试表明，与若干最先进替代方案相比，所提方案具有改进的估计与鲁棒性性能。
引用
@article{arxiv.2003.01667,
title = {Gauss-Newton Unrolled Neural Networks and Data-driven Priors for Regularized PSSE with Robustness},
author = {Qiuling Yang and Alireza Sadeghi and Gang Wang and Georgios B. Giannakis and Jian Sun},
journal= {arXiv preprint arXiv:2003.01667},
year = {2020}
}