基于概率图模型的配电系统多源数据融合停电定位
信号处理
2021-05-11 v2 机器学习
摘要
高效的停电定位对于提升配电系统的韧性至关重要。然而，准确的停电定位需要融合来自多种数据源的大量证据，包括智能电表(SM)最后喘息信号、客户故障报修电话、社交媒体消息、气象数据、植被信息以及网络的物理参数。由于配电网数据的高维特性，这是一项计算复杂的任务。本文提出一种利用贝叶斯网络(BNs)在部分可观测配电系统中定位停电事件的多源数据融合方法。该方法的创新之处在于采用概率图方法综合考虑多源证据与配电系统的复杂结构。我们的方法能从根本上降低高维空间中停电定位推理的计算复杂度。所提BN的图结构基于网络拓扑以及随机变量（如支路/客户状态和证据）之间的因果关系建立。利用该图模型，通过吉布斯采样(GS)方法推断所有支路失电概率，从而获得准确的停电位置。与在BN规模上具有指数复杂度的常用精确推理方法相比，GS能及时地量化目标条件概率分布。通过多个实际配电系统的案例研究验证了所提方法。
引用
@article{arxiv.2012.02877,
title = {Multi-Source Data Fusion Outage Location in Distribution Systems via Probabilistic Graph Models},
author = {Yuxuan Yuan and Kaveh Dehghanpour and Zhaoyu Wang and Fankun Bu},
journal= {arXiv preprint arXiv:2012.02877},
year = {2021}
}