基于深度神经网络的非可观测配电系统状态与拓扑估计
机器学习
2022-03-31 v2 信号处理
摘要
可重构配电网络的同步时间状态估计因实时可观测性有限而具挑战性。本文通过将基于深度学习（DL）的方法公式化为拓扑识别（TI）与不平衡三相配电系统状态估计（DSSE）来应对该挑战。分别训练两个深度神经网络（DNN）用于基于同步时间 DNN 的 TI 和 DSSE，适用于实时下由同步相量测量装置（SMD）不完全观测的系统。还给出了一种数据驱动的 SMD 审慎布点方法以促进可靠的 TI 和 DSSE。通过考虑 SMD 测量中的非高斯噪声证明了所提方法的鲁棒性。基于 DNN 的 DSSE 与更常规方法的比较表明，DL 方法以更少的 SMD 数量给出了更好的精度。
引用
@article{arxiv.2104.07208,
title = {State and Topology Estimation for Unobservable Distribution Systems using Deep Neural Networks},
author = {Behrouz Azimian and Reetam Sen Biswas and Shiva Moshtagh and Anamitra Pal and Lang Tong and Gautam Dasarathy},
journal= {arXiv preprint arXiv:2104.07208},
year = {2022}
}
备注
13 pages. arXiv admin note: substantial text overlap with arXiv:2011.04272