PMU Data Feature Considerations for Realistic, Synthetic Data Generation
关键是综合生成的，用于电网分析的PMU测量的质量和功能相匹配的测量从外地的PMU。这确保了研究人员在网格研究期间生成的分析结果复制了工程师在现实生活中通常期望的结果。在本文中，与工业PMU派生的数据测量的基本特征进行了分析，在生成大量的合成电力系统数据的输入考虑。介绍了由于电力系统运行中的随机动态、振荡内容和坏数据的普遍存在而引起的PMU数据的固有变化。统计结果表明，在生成大数据集的合成，网格测量，包括不同的数据异常，环境振荡的内容，和随机情况下，由于数据包丢失的数据样本，有助于提高真实性的实验数据用于电力系统分析。
2019-08-14 cs.SY eess.SY
A Practical Approach Towards Inertia Estimation Using Ambient Synchrophasor Data
本文提出一种利用环境PMU数据和摆动方程分区形式估计电力系统惯量的实用方法，通过考虑参数测量不确定性并利用运行知识确定机械功率恒定区间，实现了对惯量等常数的精确估计。
2025-08-11 cs.SY eess.SY
Machine Learning Assisted Inertia Estimation using Ambient Measurements
随着基于转换器的可再生资源的日益普及，不同类型的动态已被引入到电力系统。由于现代电力系统的复杂性和高阶性，使得基于数学模型的惯性估计方法变得更加困难。提出了两种基于长递归卷积神经网络（LRCN）和图卷积神经网络（GCN）的机器学习辅助惯性估计方法。信息特征提取通过相量测量单元（PMU）收集的环境测量。空间结构的高维特征和图形信息，然后结合，以提高精度的惯性估计。在IEEE 24节点系统上进行了案例研究。所提出的基于LRCN和GCN的惯性估计模型的精度分别达到97.34%和98.15%。此外，所提出的零代注入总线的最优PMU布局（ZGIB-PLAN）已被证明是能够最大限度地提高系统的可观测性，从而提高了所有提出的惯性估计模型的性能。
2022-12-21 cs.SY eess.SY
Dynamic Response Recovery Using Ambient Synchrophasor Data: A Synthetic Texas Interconnection Case Study
广域动态研究对保证电网的稳定性和可靠性至关重要。本文提出了一个全面的框架，用于推断在小信号政权使用无处不在的快速环境数据收集在正常的电网操作的动态响应。我们已经表明，任何一对位置之间的脉冲响应可以恢复在一个无模型的方式通过互相关的角度和功率流数据流收集只在这两个位置，超越以前的工作仅基于频率数据。该结果是在一定条件下通过线性化二阶摆动动力学的基于模型的分析建立的。数值验证表明其适用于现实的电力系统模型，包括非线性，高阶动态。特别是，使用合成PMU数据的合成德州互联（TI）系统的情况下，研究强烈证实了使用角度PMU数据的频率数据的好处，为现实世界的电力系统动态建模。
2022-09-22 cs.SY eess.SP eess.SY
Statistical Characterization of Random Errors Present in Synchrophasor Measurements
相量测量单元（PMU）测量误差的统计特征目前引起了电力系统界的极大兴趣。本文重点介绍了在环境条件下，使用高精度的校准器，仅由PMU设备引入的幅度和角度测量的误差（在本文中称为随机误差）的特性。实验结果表明，随机误差服从非高斯分布。它们还表明，M级和P级PMU具有不同的误差特性。该分析的结果将帮助研究人员设计算法，该算法考虑了同步相量测量中误差的非高斯性质，从而提高了所述算法的实际效用，此外还建立了使用高精度校准器进行精确误差测试的优先级。
2021-03-16 cs.SY eess.SY
Distributed Mixed Voltage Angle and Frequency Droop Control of Microgrid Interconnections with Loss of Distribution-PMU Measurements
Texas A&M University（德克萨斯农工大学）；GE Global Research（通用电气全球研究中心）；University of Notre Dame（圣母大学）
本文提出了一种新的分布式混合电压角度和频率下垂控制框架，以提高在分布式PMU测量丢失情况下微电网互联的可靠性，通过在角度下垂控制失效时使用频率下垂控制来保证稳定性，并设计分布式二次控制器以保证网络的暂态稳定性。
2020-12-24 cs.SY eess.SY math.OC
PMU-Based Decentralized Mixed Algebraic and Dynamic State Observation in Multi-Machine Power Systems
针对具有未知输入的多机电力系统，提出了一种新的分散混合代数动态观测方法。更具体地说，我们证明了三阶磁通衰减模型的同步发电机，当地PMU测量提供足够的信息，代数重建的负载角和正交轴内部电压。由于代数结构，实现了高的数值效率，这使得该方法适用于大规模电力系统。此外，我们证明了相对轴速度可以在全球范围内估计结合经典的沉浸和不变性（I & I）观察员-最近推出的动态回归和混合（DREM）参数估计。这种自适应观测器在弱激励假设下保证了全局收敛性，并在实际应用中得到了验证。所提出的方法不需要测量外源输入信号，如磁场电压和机械扭矩，也不需要机械子系统参数的知识。
2020-11-10 cs.SY eess.SY math.DS
Application of Machine Learning for Online Dynamic Security Assessment in Presence of System Variability and Additive Instrumentation Errors
在过去的几十年里，大规模停电事件的发生使得有必要在电网安全评估领域进行广泛的研究。同步相量技术利用相量测量单元（PMU）的测量数据，可以在线进行动态安全评估（DSA）。然而，DSA的现有应用受到系统条件的可变性和未计及的测量误差的挑战。为了克服这些挑战，本研究开发了一种DSA方案，以提供安全预测的实时不同季节的负荷配置文件中存在的PMU测量的现实错误。本文的主要贡献是：（1）基于PMU数据开发DSA方案，（2）考虑季节性负荷分布，（3）考虑可再生能源发电的不同渗透率，以及（4）比较不同机器学习（ML）算法在有和没有错误测量的情况下用于DSA的准确性。在IEEE-118节点系统上对该方法的性能进行了测试。ML算法在不同操作场景下的准确性的比较分析突出了在创建DSA方案时考虑现实误差和系统条件变化的重要性。
2019-09-09 cs.SY eess.SY
Comparison of Bounds for Optimal PMU Placement for State Estimation in Distribution Grids
配电网中测量的缺乏对其监测提出了严峻的挑战：由于可能没有足够的传感器来实现数值可观测性，因此通常使用负载预测（伪测量），并且因此不能保证准确的状态估计。然而，估计需要控制配电网的分布式发电量的增加。因此，我们考虑的问题，以提高状态估计精度在大规模，3相耦合，不平衡的配电网的传感器的最佳位置。这是一个组合优化问题，其最优解对于大型网络是不切实际的。我们探索不同的度量的最优实验设计的背景下，如凸性和模块化的属性，提出并比较几个严格的下限和上限的最优解的性能。此外，我们展示了如何使用这些界限来选择接近最优的解决方案。我们测试的IEEE基准测试馈线，123总线和8500节点馈线，该方法的有效性。
2019-08-07 cs.SY eess.SY
Transmission line parameter identification using PMU measurements
Arizona State University（亚利桑那州立大学）；Salt River Project（盐河项目）
本文提出一种基于线性估计理论的新方法，用于更可靠地识别输电线路参数，包括正序、负序和零序参数及不同序之间的互阻抗，适用于各种输电线路情况。
2017-06-15 cs.SY eess.SY
Synthesize Phasor Measurement Unit Data Using Large-Scale Electric Network Models
使用相量测量的大数据分析应用程序有助于提高电网运营商的态势感知能力，以更好地操作和控制系统。来自实际电网的相量测量单元（PMU）数据被视为高度机密，研究人员和教育工作者无法公开获得。本文开发了一种方法来合成PMU数据，可以自由访问和共享，重点是输入数据的准备。需求侧和发电侧输入数据的时间序列是使用来自不同公用事业的公共数据和统计分析方法生成的。本文还进行了详细的负荷动态建模，以扩展综合电网模型。
2019-09-07 cs.SY eess.SY
Long-Term Recurrent Convolutional Network-based Inertia Estimation using Ambient Measurements
传统的同步电机逐渐被基于变流器的可再生资源所取代。因此，同步转动惯量作为一个重要的时变量，对现代电力系统的稳定性有着重要的影响。随着可再生能源的日益集成，传统电力系统的动态特性发生了变化，因此，利用数学模型估计系统惯性变得更加困难。在本文中，我们提出了一种新的学习辅助惯性估计模型的基础上，长期递归卷积网络（LRCN），使用系统的频率和相电压测量。所提出的方法使用非侵入式探测信号扰动系统和收集环境测量与相量测量单元（PMU）训练建议LRCN模型。在IEEE 24节点系统上进行了案例研究。在信噪比为60dB的条件下，基于LRCN的惯性估计模型的估计精度为97.56%，均方误差为0.0552。此外，在45dB的低信噪比下，所提出的学习辅助惯性估计模型仍然能够达到93.07%的高精度。
2021-12-02 cs.SY eess.SY
Data-driven Identification of Nonlinear Power System Dynamics Using Output-only Measurements
提出了一种基于数据驱动的电力系统动态特性描述方法。扩展子空间辨识（ESI）方法适用于所有动态状态不可观测的有输出测量系统。它特别适用于电力系统动态识别使用相量测量单元（PMU）的测量。如在电力系统的情况下，测量诸如发电机、控制器和负载的系统部件的所有内部动态状态通常是昂贵的或不可能的。PMU测量捕获电压、电流、功率注入和频率，这些可以被认为是系统动态的输出。ESI方法适用于系统辨识、非线性模态捕捉、系统模态中输出测量参与因子的计算以及系统惯量等系统参数的辨识。所提出的方法是适合于测量噪声类似于现实的系统测量。所开发的方法解决了现有的数据驱动的动态系统表征方法的一些已知的不足之处。该方法是有效的多个网络模型和动态事件的情况下，合成PMU测量。
2021-10-04 cs.SY eess.SY
A Hierarchical Framework for Ambient Signals based Load Modeling with Exploring the Hidden Quasi-convexity
负荷建模是电力系统建模中的一个重要问题。为了更好地跟踪负荷模型的时变变化，近年来提出了基于环境信号的负荷建模方法。为了提高计算效率和模型结构的复杂性，本文提出了一种层次化的ASLM框架。通过该框架，首次探索了负荷建模问题的隐拟凸性，并可应用于更复杂的静态负荷模型结构。在上一阶段，将动载荷参数的识别视为一个优化问题。在下一阶段，通过对给定的一组动载荷参数进行线性回归，得到最优静载荷参数。然后，将回归残差作为上层优化问题的目标函数（OF）。广东电网的算例结果验证了该方法的有效性。结果表明，感应电动机模型变换后的模糊函数基本上是拟凸的，这为基于梯度的优化算法的应用提供了依据。算例分析结果表明，该方法在计算效率和模型结构复杂度方面均优于已有的ASLM方法。
2020-10-19 cs.SY eess.SY
Targeted False Data Injection Attacks Against AC State Estimation Without Network Parameters
状态估计是用于将冗余仪表测量和其它信息转换成电力系统的状态的估计的数据处理算法。状态估计严重依赖仪表测量，已被证明易受网络攻击。提出了一种新的针对AC状态估计的有针对性的虚假数据注入攻击模型。利用在环境条件下的固有负载动态和Ornstein-Uhlenbeck过程的重要属性，我们从入侵者的角度来看，设计了一种算法，纯粹从PMU数据中提取电力网络参数，进一步用于构建FDIA矢量。FDIA模型不需要网络参数，仅依赖于有限的相量测量单元（PMU）数据，可以针对特定的状态，并发起大偏差攻击。提出的FDIA模型的充分条件也被开发。在IEEE 39节点系统中对各种攻击向量和攻击区域进行了研究，结果表明，所提出的FDIA方法可以成功绕过不良数据检测，以很高的概率发起有针对性的大偏差攻击。
2021-08-26 cs.SY eess.SY
Real-time Faulted Line Localization and PMU Placement in Power Systems through Convolutional Neural Networks
Theory Division and the Center for Nonlinear Studies, Los Alamos National Laboratory（理论部和非线性研究中心，洛斯阿拉莫斯国家实验室）
本文提出基于卷积神经网络的故障线路定位方法，利用母线电压特征提高鲁棒性，并提出联合PMU布置策略，通过不同类型的故障模拟验证了在低可观测性条件下高精度的故障定位能力。
2019-05-17 cs.LG cs.SY eess.SY
Dynamic Estimation of Power System Inertia Distribution Using Synchrophasor Measurements
间歇性可再生能源在现代电力系统中的集成增长非常快。用零到低可变可再生能源替换同步发电机大大降低了系统惯性。在大型系统中，惯性分布可能变化很大，低惯性区域更容易受到频偏的影响，从而带来甩负荷和发电跳闸的风险。因此，有必要对系统的惯性及其分布进行实时评估和量化。提出了一种基于同步相量测量单元（PMU）的动态系统惯量估计方法。建议的惯性估计方法是使用电气距离和聚类算法，它考虑了测量相对于馈入负载的位置和振荡的影响。在估计过程中还确定了惯性中心（COI）区域和低惯性区域。采用DSATools的核心模块-暂态安全分析工具（TSAT）对IEEE 24节点系统进行了不同负荷配置的数值仿真，验证了该方法的有效性。
2020-06-20 cs.SY eess.SP eess.SY
Two-stage WECC Composite Load Modeling: A Double Deep Q-Learning Networks Approach
GEIRI North America（北美GEIRI研究院）；Southern Methodist University（南卫理公会大学）
随着现代电力系统复杂性的增加，传统的动态负荷模型与ZIP和感应电动机（ZIP + IM）不再足以解决当前的负荷特性的转变。近年来，WECC复合负荷模型（WECC CLM）在各种稳定性研究和事故分析中显示出比传统负荷模型更有效地捕捉动态负荷响应。然而，详细的WECC CLM模型通常具有高度的复杂性，具有超过一百个参数，并且没有系统的方法来识别和校准这些参数。通过PMU和高级深度学习算法的广泛部署，本文提出了一种基于双深度Q学习网络（DDQN）的WECC CLM两阶段负载建模框架。这种两阶段方法分解了复杂的WECC CLM，以实现更有效的识别，并且不需要明确的模型细节。在第一阶段，DDQN代理确定准确的负载组成。在第二阶段中，WECC CLM的参数是从一组Monte-Carlo模拟中选择的。所选的负载参数集预期最接近真实的瞬态响应。所提出的框架进行了验证，使用IEEE 39总线测试系统的商业仿真平台。
2020-04-15 cs.LG cs.SY eess.SP
Benefits of Dynamic Thermal Rating for Distribution Transformers Under Accelerated Load Growth
National Laboratory of the Rockies（落基山国家实验室）；New York University（纽约大学）；Orange & Rockland Utilities（橙岩公用事业公司）；University of South Carolina（南卡罗来纳大学）
本文研究动态热定额（DTR）作为配电变压器在加速负荷增长下的非布线替代方案，通过环境调整定额推迟升级并降低成本，尤其在天气多样和冷季峰值地区效果显著。
2026-09-30 cs.SY eess.SY
Forced oscillation source localization from generator measurements
本文扩展了一种基于最大似然的强迫振荡源定位方法，使其适用于包含无惯性母线的现实场景，通过将Kron降阶纳入估计器，实现了对传统发电机和负荷处强迫振荡位置与频率的识别。
2024-03-22 cs.SY eess.SY nlin.AO
Machine Learning Applications in Estimating Transformer Loss of Life
University of Denver（丹佛大学）
本文利用ANFIS方法建立数据驱动静态模型，用于小时级变压器寿命损失估计，验证其有效性与准确性。
2017-03-04 cs.SY eess.SY
