基于稀疏性与低秩性的负荷曲线数据清洗与填补
最优化与控制
2013-09-30 v1 信息论
系统与控制
math.IT
摘要
智能电网的愿景是构建一个智能电力网络，对其服务和基础设施拥有前所未有的态势感知能力和可控性。本文倡导使用统计推断方法，以增强电力监控任务对因故障读数和恶意攻击引起的异常值效应，以及因隐私问题和通信错误导致的数据缺失的鲁棒性。在此背景下，利用时空负荷剖面的低内在维度和“坏数据”的稀疏性，开发了一种新的负荷清洗与填补方案。采用基于主成分追踪（PCP）的鲁棒估计器，通过对异常值的-范数和对标称负荷剖面的核范数进行双重稀疏促进正则化。通过将不可分离的核范数重铸为适合分散优化的形式，开发了一种分布式（D-）PCP 算法，利用构成所谓高级计量基础设施的网络化设备执行填补和清洗任务。如果 D-PCP 收敛且满足限定不等式，则该新型分布式估计器在理论上可达到其能访问全网数据的集中式 PCP 对应物的性能。计算机模拟和真实负荷曲线数据的测试证实了新型 D-PCP 算法的收敛性和有效性。
引用
@article{arxiv.1301.7627,
title = {Load curve data cleansing and imputation via sparsity and low rank},
author = {Gonzalo Mateos and Georgios B. Giannakis},
journal= {arXiv preprint arXiv:1301.7627},
year = {2013}
}
备注
8 figures, submitted to IEEE Transactions on Smart Grid - Special issue on "Optimization methods and algorithms applied to smart grid"