GraphPMU：基于图表示学习利用位置稀缺的配电级基波与谐波PMU测量进行事件聚类
机器学习
2022-05-27 v1 系统与控制
信号处理
系统与控制
摘要
本文关注于识别配电级相量测量单元(D-PMU)所捕获事件的类型与成因这一复杂任务，以提升配电系统的态势感知能力。我们的目标在于解决该领域的两个基本挑战：a) 由于D-PMU的购置、安装与数据流式传输成本高昂而导致的测量位置稀缺；b) 由于事件多样、罕见且本质非计划性所带来的事件特征先验知识有限。为应对这些挑战，我们提出一种无监督图表示学习方法GraphPMU，通过以下两个新方向显著提升位置稀缺数据可用性下的事件聚类性能：1) 利用少量可用相量测量单元在配电网络图上的相对位置拓扑信息；2) 在分析各类事件特征时，不仅利用常用的基波相量测量，也利用较少被探索的谐波相量测量。通过对若干案例的详细分析，我们表明GraphPMU能大幅优于文献中流行的方法。
引用
@article{arxiv.2205.13116,
title = {GraphPMU: Event Clustering via Graph Representation Learning Using Locationally-Scarce Distribution-Level Fundamental and Harmonic PMU Measurements},
author = {Armin Aligholian and Hamed Mohsenian-Rad},
journal= {arXiv preprint arXiv:2205.13116},
year = {2022}
}
备注
10 pages, 8 figures, Submitted to IEEE Trans. on Smart Grid