利用测量先验的弹性最优估计

本文考虑线性系统的最优估计问题，其测量向量受到对抗智能体的任意破坏。该问题关乎信息物理系统，其中由于物理、通信与计算的紧密耦合，恶意智能体能够利用多种固有漏洞向测量过程注入隐蔽信号。这些恶意信号经计算以造成虚假态势感知和/或触发级联效应序列从而导致最终系统失效为攻击目标。我们假设攻击者可同时破坏部分而非全部测量通道。然而，一旦某通道被攻破，攻击者可任意修改相应测量。因此，该问题被表述为带有额外先验信息模型的压缩感知问题。所考虑的先验信息是关于测量向量的集合包含约束。研究表明，若先验集满足特定条件，所得恢复误差界将强得多。该方法被应用于电力系统的弹性状态估计。对此应用，使用 Gaussian Process 从历史事件数据构建先验生成式概率回归模型。所得的 Gaussian Process Regression 模型将能源市场信息递归映射为相关系统测量上的 \emph{iid} 高斯分布。随后采用重加权 $\ell_1$-最小化方案开发了基于优化的弹性状态估计器。所设计算法通过映射至纽约独立系统运营商（NYISO）电网数据的 IEEE 14-总线系统数值仿真算例进行了评估。