AC-Informed DC Optimal Transmission Switching via Admittance Sensitivity-Augmented Constraints and Repair Costs
Washington State University(华盛顿州立大学)
本文提出了一种基于 admittance 敏感性增强约束和修复成本的 AC 信息驱动直流最优传输切换方案,以提升 DC-OTS 在 AC 条件下的可行性与计算效率。
2026-03-03 cs.SY eess.SY
On the Properties of the Compound Nodal Admittance Matrix of Polyphase Power Systems
Swiss Federal Institute of Technology of Lausanne(洛桑联邦理工学院)
本文研究了不平衡多相电网的通用情况,推导了复合节点导纳矩阵及其对角子块的秩的条件,并讨论了这些发现对Kron缩减可行性和混合参数存在的影响,为电力系统分析的各种应用提供了严谨的理论基础。
2018-10-05 cs.SY eess.SY
Distributed-MPC with Data-Driven Estimation of Bus Admittance Matrix in Voltage Control
针对实时电压控制中 Y 矩阵未知与集中/分散控制权衡问题,提出结合数据驱动 Y 在线估计和 ADMM 的分布式 MPC,实现全局最优、可扩展且抗故障攻击,并在多个 IEEE 系统验证。
2022-10-29 cs.SY eess.SY math.OC
Tractable Identification of Electric Distribution Networks
针对配电网辨识中估计过程病态、计算量大的问题,提出两种导纳矩阵估计方法,在保证精度的同时提升了计算效率。
2023-08-22 cs.SY eess.SY
Maximum likelihood estimation of distribution grid topology and parameters from smart meter data
本文定义了一个最大似然估计(MLE)的导纳矩阵估计的配电网,利用电压幅值和功率测量只收集从常见的,非同步测量设备(智能电表)。首先,我们提出了一个模型的电网,以及现有的MLE的电压和电流相量测量的基础上。然后,这个问题的制定调整无相测量使用共同的假设。这些假设的效果进行比较,在各种情况下的初始问题。最后,一个流行的IEEE基准网络的数值实验表明有前途的结果。缺失的数据会极大地扰乱估计方法。不测量电压相位在实际条件下只会给导纳矩阵估计增加30%的误差。此外,对测量噪声的灵敏度在有和没有相位的情况下是相似的。
2022-10-05 cs.SY eess.SY stat.AP
Power Grid Parameter Estimation Without Phase Measurements: Theory and Empirical Validation
本文证明无同步相角测量时可一致估计电网阻抗却不能估计导纳,量化四种导纳估计方法的根本误差极限,并经合成与瑞士Walenstadt真实数据验证。
2024-01-18 cs.SY eess.SY stat.AP
Adaptive Real-Time Grid Operation via Online Feedback Optimization with Sensitivity Estimation
在本文中,我们提出了一种基于在线反馈优化(OFO)控制器的方法,该控制器具有用于实时电网操作的电网输入-输出灵敏度估计,例如,在亚秒的时间尺度上。OFO控制器使用电网测量作为反馈来更新电网中的可控元件的值,并跟踪时变AC最优潮流(AC-OPF)的解。而不是依赖于全网格模型,例如,电网导纳矩阵,OFO仅需要与可控输入的变化相关的稳态灵敏度,例如,功率注入设定点,到测量输出的变化,例如,电压幅值。由于不准确的灵敏度可能会导致模型失配并危及性能,我们提出了一种递归最小二乘估计,使OFO能够在实时操作期间从测量中学习灵敏度,从而将OFO变成无模型方法。我们分析证明了所提出的OFO与灵敏度估计的收敛性,并验证其性能的模拟使用IEEE 123总线测试馈线,并比较它对一个国家的最先进的OFO与恒定的灵敏度。
2022-05-16 cs.SY eess.SY
Bayesian Error-in-Variables Models for the Identification of Power Networks
间歇性可再生能源发电的日益一体化,特别是在配电水平,需要先进的规划和优化方法,取决于电网的知识,特别是导纳矩阵捕获的拓扑结构和线路参数的electricnetwork。然而,一个可靠的估计导纳矩阵可能会丢失或迅速成为过时的时间变化的网格。在这项工作中,我们提出了一个数据驱动的identificationmethod利用从微型PMU收集的电压和电流测量。更确切地说,我们首先提出了一个最大似然方法,然后转向贝叶斯框架,利用最大后验估计的原则。与大多数现有的contributions相比,我们的方法不仅在电压和电流数据的测量噪声的因素,但也能够利用现有的先验信息,如稀疏模式和knownline参数。在基准案例上进行的仿真表明,与其他算法相比,我们的方法可以实现更高的精度。
2021-12-19 cs.SY eess.SY stat.ML
Topology Estimation Following Islanding and its Impact on Preventive Control of Cascading Failure
在级联故障期间的电网的拓扑结构的知识是集中式停电预防控制的基本要素,鉴于多个岛屿通常形成,作为级联的进展。此外,关于电网的网络层和物理层之间的相互依赖性的学术研究表明,级联期间的电力故障可能导致通信网络的中断,这逐渐减少了可观察的区域。这些挑战目前的文献线路停电检测,假设电网仍然是一个单一的连接组件。我们提出了一种新的方法来消除这种假设。在孤岛事件之后,首先识别形成所连接的组件的总线,然后检测各个岛内的进一步线路中断。除了电力系统的测量,可观察的断路器状态被集成为我们的拓扑识别算法的约束。误差传播对估计过程的影响,因为依赖于以前的估计不断增长的级联过程中也进行了研究。最后,估计的导纳矩阵用于预防控制的连锁故障,创建一个闭环系统。首次研究了这种相互关联的估计和控制对总负荷的影响。IEEE-118节点系统和2,383节点波兰网络的仿真结果表明了该方法的有效性。
2021-04-13 cs.SY eess.SY
Power System Dynamic State Estimation Using Extended and Unscented Kalman Filters
电力系统动态特性的准确估计对于提高电力系统的可靠性、弹性、安全性和稳定性具有重要意义。随着基于逆变器的分布式能源的日益集成,对于电力系统的适当控制和操作,电力系统动态的知识变得比以往任何时候都更加必要和关键。虽然测量设备和传输技术的最新进展已经显著地减少了测量和传输误差,但是这些测量仍然不能完全摆脱测量噪声。因此,噪声测量需要被过滤以获得准确的电力系统操作动态。在这项工作中,电力系统的动态状态估计使用扩展卡尔曼滤波器(EKF)和无迹卡尔曼滤波器(UKF)。我们对西部电力协调委员会(WECC)的$3$ -机$9$ -总线系统和新英格兰$10$ -机$39$ -总线进行了案例研究.结果表明,UKF和EKF能够准确估计电力系统动态特性。最后给出了EKF和UKF在测试情况下的性能比较。其他卡尔曼滤波技术以及基于机器学习的估计器将很快在本报告中更新。所有源代码,包括Newton Raphson潮流,导纳矩阵计算,EKF计算和UKF计算,都可以在Github中公开获得
2020-12-11 cs.SY eess.SY
Physics-Informed Deep Neural Network Method for Limited Observability State Estimation
Columbia University(哥伦比亚大学);Tel Aviv University(特拉维夫大学);National Renewable Energy Laboratory(国家可再生能源实验室)
为了确保最佳和可靠的电网运行,关于电网状态的精确知识是重要的。具体而言,了解配电网的状态变得越来越重要,因为更多的可再生能源直接连接到配电网中,增加了注入功率的波动。在本文中,我们考虑的情况下,配电网成为部分可观测的,和状态估计问题是欠定的。我们提出了一种新的方法,利用深度神经网络(DNN)来估计网格状态。标准DNN训练方法被修改为显式地包含电网拓扑和线路/并联导纳的物理信息。我们表明,我们的方法导致一个优越的精度的估计相比,没有物理信息时提供的情况下。最后,我们比较了我们的方法的性能标准的状态估计的方法,这是基于加权最小二乘与伪测量,并表明我们的方法执行显着更好的估计精度。
2020-02-16 cs.LG cs.SY eess.SP
On Identification of Distribution Grids
Department of Electrical Engineering and Computer Sciences, UC Berkeley, USA(伯克利大学电气工程与计算机科学系,美国)
本文研究了如何通过遥测数据联合估计配电网络的模型参数和运行结构,利用lasso方法进行回归收缩和选择,提出可处理配电系统低秩结构的可行凸优化程序,并开发了用于早期检测和定位引起电导矩阵变化的关键事件的在线算法。
2017-11-05 cs.LG cs.SY eess.SY
State Estimation in Unobservable Power Systems via Graph Signal Processing Tools
研究了不可观测电力系统的状态估计问题。为此,我们提出了新的图形信号处理(GSP)的方法。为了简单起见,我们从分析直流潮流(DC-PF)模型,然后将我们的算法扩展到交流潮流(AC-PF)模型。所提出的GSP方法背后的主要假设是,电网状态,其中包括在系统中的电压的相位的矢量和幅度的矢量,是一个平滑的图形信号相对于系统导纳矩阵,表示底层图形。因此,本文的第一步是从经验和理论上验证状态的图平滑假设。然后,我们开发了正则化的GSP加权最小二乘(GSP-WLS)状态估计器,它不需要网络的可观性。我们提出了一个传感器的放置策略,旨在优化GSP-WLS估计器的估计性能。最后,我们将GSP-WLS估计方法扩展到AC-PF模型,通过在高斯-牛顿算法中引入光滑正则项。IEEE 118节点系统的数值结果表明,新的GSP方法优于常用的估计方法,并对丢失数据具有鲁棒性。
2022-01-12 cs.SY eess.SP eess.SY
Online power system parameter estimation and optimal operation
将可再生能源纳入电网需要基于优化的控制方案,需要可靠的电网模型。传统的参数估计和优化控制往往是解耦的,这导致估计过程中系统的运行成本很高。本工作提出了一种方法,同时最大限度地减少电网运行成本和最佳估计线参数的方法的基础上的最优设计的实验。与标准最优潮流和最大似然估计相比,该方法大大降低了最优估计的成本,并提高了参数的精度。我们说明了所提出的方法在基准系统上的性能。
2021-03-19 cs.SY eess.SY
Physics-Informed Graphical Neural Network for Parameter & State Estimations in Power Systems
University of Arizona(亚利桑那大学)
参数估计(PE)和状态估计(SE)是系统工程中最广泛的任务。它们需要在测量到达时自动、快速和频繁地完成。深度学习(DL)有望解决这一挑战,但就电力系统中的PE和SE而言,(a)由于缺乏基于电力的物理解释,DL没有赢得系统运营商的信任,(b)DL在数据稀缺的运营机制中仍然是虚幻的。为了解决这个问题,我们提出了一种混合方案,它嵌入到图形神经网络(GNN)的电力系统的物理建模,从而使系统运营商与一个可靠的和可解释的实时预测,然后可以用来控制关键的基础设施。为了实现PE和SE的可信DL,我们建立了一个物理信息方法,名为Power-GNN,该方法重建了有效潮流(EPF)模型中的物理参数,从而可解释参数,例如有效电力线的导纳和NN参数,这些参数代表了系统中隐含的未观察到的元素。在我们的实验中,我们在不同的现实电网上测试了Power-GNN,包括具有数千个负载和数百个发电机的电网。我们表明,Power-GNN优于不知道EPF物理的香草NN方案。
2021-02-12 cs.LG cs.SY eess.SY
Optimal Privacy-Aware Dynamic Estimation
本文提出信息论框架,将隐私感知估计视为闭环控制,利用互信息度量隐私,推导贝尔曼最优性原理,开发策略梯度算法,并在楼宇自动化中验证性能。
2023-11-10 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
DiffOPF: Diffusion Solver for Optimal Power Flow
本文提出DiffOPF,一种基于扩散的最优功率流求解器,通过学习负载和调度设置的联合分布,实现条件采样,以处理系统参数变化带来的多解性问题。
2026-03-13 cs.AI cs.SY eess.SY
Optimal State Preparation for Impulse Estimation in Gaussian Quantum Systems
TU Wien(维也纳工业大学);AIT Austrian Institute of Technology(奥地利技术研究院)
本文提出基于最优控制的方法,通过利用非平衡态提高连续监测线性经典和量子系统中脉冲扰动的估计精度,通过时间依赖的系统参数优化减少估计不确定性。
2026-05-12 cs.SY eess.SY quant-ph
Secure State Estimation: Optimal Guarantees against Sensor Attacks in the Presence of Noise
University of California, Los Angeles(加州大学洛杉矶分校)
本文提出一种安全状态估计算法,在噪声环境下对抗传感器攻击,并推导出可实现的状态估计误差界。
2015-04-23 cs.CR cs.IT cs.SY