面向电力系统瞬态动力学的稀疏性利用型高斯过程
系统与控制
2025-10-20 v1 系统与控制
信号处理
摘要
高斯过程 (GP) 的应用进展使得能够从稀少的 PMU 测量数据中学习和推断动态电网行为。然而，实际测量数据可能受到各种随机和针对性威胁的破坏，导致结果不准确且毫无意义。本文通过利用数据流中稀疏的破坏模式来实现稳健的瞬态学习。具体而言，我们将稀疏优化与矩数方法 (MoM) 集成，以克服数据破坏稀疏分布的挑战；随后优化稀疏权重以识别受破坏电表的位置。为提高大规模系统的推断速度，我们进一步采用位置的 K 中心聚类，以开发降维 (DR) 和聚合表示 (AR) 启发式方法。实验结果表明，方法对抗击随机大误差、针对性虚假数据注入以及局部 PMU 时钟漂移具有稳健性。在 1354 节点系统上，使用 DR 可使推断速度提升 18 倍，使用 AR 进一步使速度提升 400 倍。
引用
@article{arxiv.2510.15150,
title = {Sparsity-exploiting Gaussian Process for Robust Transient Learning of Power System Dynamics},
author = {Tina Gao and Shimiao Li and Lawrence Pileggi},
journal= {arXiv preprint arXiv:2510.15150},
year = {2025}
}
备注
This manuscript has been submitted to PESGM2026