Applicability and Limitation Analysis of PMU Data and Phasor Concept for Low- and High- Frequency Oscillations
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；ISO New England（新英格兰独立系统运营商）；GE Vernova（通用电气维诺瓦）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
本文分析了PMU数据和相量概念在低频和高频振荡中的适用性与限制，提出了一种更通用的信号模型和多步估计方法，以提高对高频振荡的分析能力。
2026-01-21 cs.SY eess.SP eess.SY
GraphPMU: Event Clustering via Graph Representation Learning Using Locationally-Scarce Distribution-Level Fundamental and Harmonic PMU Measurements
University of California, Riverside（加州大学河滨分校）
本文关注的是复杂的任务，识别的类型和原因的事件，被捕获的分布级相量测量单元（D-PMU），以提高配电系统的态势感知。我们的目标是解决这一领域的两个基本挑战：a）由于从D-PMU购买，安装和流式传输数据的高成本，测量位置稀缺; b）由于事件是多样的，不频繁的，并且本质上是不定期的，因此有关事件签名的先验知识有限。为了解决这些问题，本文提出了一种无监督的图-表示学习方法GraphPMU，通过以下两个新的方向，显著提高了在局部数据稀缺情况下的事件聚类性能：1）利用配电网图上少数可用相量测量单元的相对位置的拓扑信息; 2）在分析各种事件特征的过程中，不仅利用了常用的基波相量测量，还利用了较少探索的谐波相量测量。通过对几个案例研究的详细分析，我们表明GraphPMU可以大大优于文献中的流行方法。
2022-05-26 cs.LG cs.SY eess.SP
An Online Deep Learning Approach Toward the Prediction of Power System Stresses Using Voltage Phasors
输电线路的中断可能会将系统相位角差改变到系统经历应力条件的程度。因此，输电线路事故后状态的角度差应在实时运行中预测。然而，用于电力系统压力评估的在线在线相角差监测和预测尚未成为普遍的操作实践。因此，在本文中，提出了一个在线电力系统压力评估框架，通过开发一个卷积神经网络（CNN）模块，通过深度学习方法训练。在所提出的框架中，连续流动的系统相角数据，从相量测量单元（PMU）或状态估计器（SE）驱动，被用来构建电力系统应力指数自适应的结构参数的CNN模块。使用这种方法，任何隐藏的模式之间的相位角的总线和系统的应力条件被揭示在低的计算成本，同时产生准确的应力状态和应力的严重程度。该方法的有效性和可扩展性已被验证的IEEE 118总线，更重要的是，PJM互连系统。此外，通过与人工神经网络（ANN）和决策树（DT）的结果比较，验证了所提出的方法的优越性。
2019-10-20 cs.SY eess.SP eess.SY
Transmission Line Parameter Estimation Under Non-Gaussian Measurement Noise
输电线路参数的准确知识对于各种电力系统监测、保护和控制应用是必不可少的。相量测量单元（PMU）数据用于传输线参数估计（TLPE）是有据可查的。然而，现有的基于PMU的TLPE文献隐含地假设测量噪声是高斯的。最近，已经表明，PMU测量中的噪声（特别是在电流相量中）可以通过高斯混合模型（GARCH）更好地表示，即，噪声是非高斯的。我们提出了一种新的方法TLPE，可以处理非高斯噪声的PMU测量。测量噪声被表示为GMM，其分量使用期望最大化（EM）算法来识别。随后，通过迭代地求解最大似然估计问题直到收敛来进行噪声和参数估计。所提出的方法优于传统的方法，如最小二乘法和总最小二乘法，以及最近提出的最小总误差熵的方法表现出通过使用IEEE 118总线系统，以及从美国电力公司获得的专有PMU数据进行模拟。
2022-08-28 eess.SP
A Probabilistic Approach to Power System State Estimation using a Linear Algorithm
提出了一种用于电力系统分析的等效电路公式，以提高潮流计算的鲁棒性，并实现更广泛的建模，包括RTU（Remote Terminal Unit）和PMU（Phasor Measurement Unit）的建模。这些测量设备模型，连同基于伴随电路的优化框架，使得能够在等效电路公式内求解的电力系统状态估计（SE）的替代公式化。在本文中，我们利用线性RTU模型来创建一个完全线性的SE算法，其中包括PMU和RTU测量，以实现SE的概率方法。结果表明，这是一个实用的方法，非常适合于现实世界的应用。
2019-05-01 eess.SP
Anomaly Classification in Distribution Networks Using a Quotient Gradient System
对电网中的异常或突变与正常突变或开关动作进行分类，对于采取适当的维护措施以保证电力输送质量至关重要。随着易失性资源的激增，这个问题的重要性增加了，并且变得更加复杂，易失性资源在电路行为中引入了可变性、不确定性和不确定性，这些可变性、不确定性和不确定性可以作为电压和电流相量的变化来观察。这使得诊断应用更具挑战性。提出利用商梯度系统（QGS）对两级部分递归神经网络进行训练，以提高微相量测量单元（PMU）高保真数据对配电网异常的识别率。QGS是一个系统的方法来寻找约束满足问题的解决方案。我们将电力网络的PMU数据转化为一个约束满足问题，并使用QGS训练神经网络解决由此产生的优化问题。仿真结果表明，所提出的监督分类方法可以可靠地区分不同的配电网异常。与其他神经网络分类器的比较表明，QGS训练的网络提供了显着更好的分类。敏感性分析进行有关的PMU的数量，报告率，噪声水平和早期与晚期数据流融合框架。
2018-05-14 eess.SP
Under Frequency Load Shedding based on PMU Estimates of Frequency and ROCOF
本文介绍了一种分布式低频减载和负荷恢复方案，利用频率和频率变化率（ROCOF）测量相量测量单元（PMU）作为检测器的一个大的意外。本文进一步讨论了使用同步相量模型估计ROCOF在快速瞬变过程中，一个严重的发电机负荷不平衡的适当性。所提出的中继方案的性能进行比较，只有基于频率的策略，通过一个实时数字仿真器实现的IEEE 39总线系统的时域全副本模型。
2018-05-02 eess.SP
Adaptive Subband Compression for Streaming of Continuous Point-on-Wave and PMU Data
提出自适应子带压缩（ASBC）系统，通过划分信号空间并基于有效带宽自适应压缩，实现高分辨率CPOW和PMU数据的实时流传输，在大幅降低采样率的同时保持行业标准精度。
2021-03-10 cs.SY eess.SP eess.SY
A PMU-Based Machine Learning Application for Fast Detection of Forced Oscillations from Wind Farms
当今不断发展的电力系统包含越来越多的电力电子接口能源和负载，这需要公用事业运营的范式转变。例如，由于风电场控制器与电网的相互作用，公用事业公司已经报告了频率约为13-15 Hz的次同步振荡。由于低采样频率和缺乏同步，大多数SCADA工具无法观察到这种频率下的动态。相量测量单元（PMU）数据的实时或离线频域分析已成为识别此类现象的有价值的方法，但代价是昂贵的电力系统数据和通信基础设施。本文提出了一种基于机器学习（ML）的风电场次同步振荡检测应用。该应用程序的目标是在边缘实时实施，从而在数据和通信需求方面节省大量资金。验证使用来自北美风电场运营商的数据进行。
2020-12-17 eess.SP
A Bayesian Framework for Power System Components Identification
拥有电力系统组件（如发电机和负载或辅助设备）的实际模型对于正确评估电力系统运行状态和建立稳定裕度至关重要。然而，电力系统操作员通常具有关于电力系统组件参数的实际值的有限信息。即使有模型可用，其操作参数和控制设置也是随时间变化的，并且需要实时识别。理想情况下，这些参数应该从测量数据中识别，例如相量测量单元（PMU）信号。然而，在不存在瞬态动态的情况下，从环境测量中做到这一点是具有挑战性的，因为这种信号的信噪比（SNR）不一定很大。本文设计了一种基于PMU环境数据的电力系统元件参数在线辨识的贝叶斯框架，该框架在信噪比低至5的情况下具有可靠的性能，对某些参数甚至在单位信噪比下也能给出良好的估计。我们支持一个强大的和时间有效的数值方法的框架。我们说明了同步发电机的例子的方法的效率。
2020-01-18 eess.SP
Modeling of SCADA and PMU Measurement Chains
本文系统建模SCADA与PMU测量链，分析各环节误差来源及其非零均值、非高斯、时变统计特性，为仿真合成真实测量误差以测试算法提供基础。
2024-02-28 eess.SP
Line Outage Detection and Localization via Synchrophasor Measurement
输电线路是电力系统中的重要环节，一次线路故障就可能导致整个电力系统的中断甚至连锁故障。如果能够实现快速准确的线路停电检测和定位，系统运营商就可以及时采取必要的措施来减轻负面影响。因此，本文的目的是研究一种方法，通过同步相量测量的线路停电检测和定位。近年来，相量测量单元（PMU）的部署密度不断增加，大大提高了电网的可视性。利用高分辨率的同步相量数据，该方法利用频率测量的线路停电检测和定位的功率变化。给出了该方法的具体步骤。与传统的方法相比，它不需要对系统的先验知识。仿真研究验证了该方法的有效性。
2019-04-02 eess.SP
Reconstruction of Power System Measurements Based on Enhanced Denoising Autoencoder
本文提出了一种新的解决电力系统测量数据缺失的方法。提出了一种增强型去噪自动编码器（EDAE），通过基于邻域值相关和长短期记忆（LSTM）网络的输入向量空间重构来重构缺失数据。所提出的LSTM-EDAE能够去除噪声，提取数据集的主要特征，并为新的输入重建丢失的信息。结果表明，利用邻域相关性可以较好地重建缺失数据。采用LSTM网络训练的EDAE在处理电力系统中的大数据时更有效，并且比传统去噪自动编码器中的神经网络获得更好的性能。利用随机数据序列和模拟的电力系统相量测量单元（PMU）数据来验证所提出的LSTM-EDAE的有效性。
2019-07-26 eess.SP
Online Low Frequency Oscillation Detection and Analysis System with an Ensemble Filter
相量测量单元（PMU）的广泛部署使得实时监测和分析电网动态成为可能。低频振荡对电力系统的设备和运行是有害的，在最坏的情况下可能导致连锁故障。因此，一旦它们出现，就必须检测和识别它们。本文提出了一种在线低频振荡检测和分析（LFODA）系统，它具有显着降低虚警的机会，通过投票模式和时序滤波器的优点。提出了一种新的算法，基于密度的空间聚类的应用程序与噪声（DBSCAN）的振荡模式进行分类，以及组相应的总线/监测站点。LFODA系统的性能进行评估，通过实验使用模拟和真实世界的PMU数据。
2020-01-14 eess.SP
Compressive Sensing and Morphology Singular Entropy-Based Real-time Secondary Voltage Control of Multi-area Power Systems
针对多区域电力系统，提出了一种结合压缩感知（CS）的改进型二次电压控制（SVC）方法。SVC最大限度地减少了负荷母线的电压偏差，而CS通过减少基于相量测量单元（PMU）的监测系统输出的大量数据的大小来处理通信信道的有限带宽容量的问题。所提出的策略进一步结合了形态中值滤波器（MMF）的应用，以减少从PMU的输出噪声。为了保证控制区域的安全和局部保护，利用基于数学奇异熵（MSE）的故障识别方法快速发现控制区域中的故障。27节点和486节点电力系统的仿真结果表明，CS可以将数据量减少到原来的1/10，而基于MSE的故障识别技术可以准确区分故障和稳态条件。
2018-11-11 eess.SP
Distributed Nonlinear State Estimation in Electric Power Systems using Graph Neural Networks
The Institute for Artificial Intelligence Research and Development of Serbia（塞尔维亚人工智能研发研究所）；Faculty of Electrical Engineering, University of Sarajevo（萨拉热窝大学电气工程学院）；Faculty of Technical Sciences, University of Novi Sad（诺维萨德大学技术科学学院）
非线性状态估计（SE）的目标是基于电力系统中所有类型的测量来估计复杂的母线电压，通常使用迭代高斯-牛顿法来求解。当考虑来自相量测量单元和监督控制和数据采集系统的输入时，非线性SE呈现出一些困难。这些包括数值不稳定性，收敛时间取决于迭代法的起始点，以及关于状态变量数量的单次迭代的二次计算复杂性。本文介绍了一种基于原始图神经网络的非线性电力系统SE的增强因子图的SE实现，能够将分支和总线上的测量，以及相量和遗留测量。所提出的回归模型具有线性计算复杂性的推理时间，一旦训练，与分布式实现的可能性。由于该方法是非迭代和非矩阵为基础的，它是弹性的问题，高斯-牛顿求解器是容易发生的。除了测试集上的预测准确性外，所提出的模型在模拟网络攻击和由于通信不规则而无法观察到的场景时表现出鲁棒性。在这些情况下，预测误差是局部持续的，对电力系统的其余结果没有影响。
2022-09-08 cs.LG eess.SP
Cost-Effective Bad Synchrophasor Data Detection Based on Unsupervised Time Series Data Analytics
在部署有各种先进传感器的现代智能电网中，相量测量单元（PMU），坏（异常）测量在实践中总是不可避免的。针对区域相量数据集中器（PDC）需要滤除潜在坏数据的问题，提出了一种新的基于空时相关性的PMU坏数据在线检测（BPDD）方法。由于不需要昂贵的数据标记或迭代学习，它执行无模型，无标记，和非迭代的BPDD在电网中从一个新的数据驱动的角度时空最近邻（STNN）发现。具体而言，空间-时间相关的区域测量PMU采集的空间-时间时间序列（TS）的配置文件首先收集。然后，通过表征异常STNN来识别被坏PMU数据污染的TS干扰。为了使整个方法能够胜任在线流PMU数据的处理，一个有效的战略，加速STNN发现仔细设计。与现有的数据驱动的BPDD解决方案不同，它需要昂贵的离线数据集准备/训练或计算密集型在线优化，它可以以高度成本效益的方式实现，从而在实际环境中更具适用性和可扩展性。北欧测试系统和实际中国南方电网的数值测试结果表明，该方法在实际在线监测的可靠性，效率和可扩展性。
2020-08-11 cs.SY eess.SP eess.SY
On PMU Data Integrity under GPS Spoofing Attacks: A Sparse Error Correction Framework
考虑在GPS欺骗攻击下减轻对相量测量单元（PMU）的数据完整性的影响的问题。我们提出了一个稀疏的错误校正框架来处理PMU测量可能会损坏，由于GPS欺骗攻击。我们利用稀疏性质的GPS欺骗攻击，这是只有一小部分的PMU受到攻击。我们首先提出了攻击识别条件（在网络拓扑，PMU的位置，和欺骗PMU的数量）下，数据操纵的欺骗攻击是可识别的。可识别性条件对PMU的位置如何影响其对GPS欺骗攻击的弹性具有重要意义。为了有效地纠正伪造的PMU数据，我们提出了一种稀疏纠错方法，其中计算任务被分解成更小的区域，以确保可扩展性。我们目前的实验结果与IEEE RTS-96和IEEE 300测试网络的数值模拟证明所提出的方法的有效性。
2021-01-16 eess.SP
Comparative Analysis of Information Theoretic and Statistical Methods for Line Parameter Estimation
本文针对基于PMU的线路参数估计问题，在非高斯测量噪声条件下，对四种最先进的估计技术进行了严格的比较分析，明确了各方法的优缺点及适用条件。
2024-04-24 eess.SP stat.AP
Mitigating Smart Meter Asynchrony Error Via Multi-Objective Low Rank Matrix Recovery
智能电表（SM）正在美国各地的配电公用事业公司广泛部署，尽管它们在实时监控方面具有优势。SM存在某些数据质量问题;具体来说，与使用GPS进行数据同步的相量测量单元（PMU）不同，SM并不完全同步。在配电网中，由于测量误差的存在，会降低监测的精度.为了解决这个问题，我们提出了一个基于主成分追踪（PCP）的数据恢复策略。由于SMs之间的时间相关性的损失，在我们的解决方案中的关键思想是利用基于PCP的低秩矩阵恢复技术，以最大限度地提高从SM获得的多个数据流之间的时间相关性。此外，我们的方法有一个新的多目标结构，它允许公用事业精确地细化和恢复所有SM测量变量，包括电压和功率测量，同时通过潮流方程将其固有的依赖关系。我们已经进行了数值实验，使用真正的SM数据，以证明所提出的策略在减轻SM的影响配电网监测的有效性。
2021-05-11 eess.SP
A Model-Agnostic Method for PMU Data Recovery Using Optimal Singular Value Thresholding
提出了一种快速的模型无关的方法来恢复有噪声的相量测量单元（PMU）数据流与丢失的条目。该方法首先将测量值转换为Page矩阵，然后利用基于最优奇异值阈值的低秩矩阵估计重构原始信号。示出了恢复算法的两种变型- a）用于插补过去测量的离线块处理方法，以及b）用于预测未来测量的在线方法。PMU信道内的信息（时间相关性）以及来自网络中不同PMU信道的信息（空间相关性）被用来恢复退化的数据。所提出的方法是快速的，并且不需要底层系统模型或测量噪声分布的显式知识。恢复算法的性能示出使用模拟测量从IEEE 39总线测试系统，以及从匿名的美国电力公司的真实测量。大量的数值试验表明，在存在加性噪声、连续数据丢失以及多个PMU通道同时数据擦除的情况下，该方法能够准确地恢复原始信号。
2021-08-06 eess.SP
Line Outage Identification Based on AC Power Flow and Synchronized Measurements
提出了一种基于相量测量单元（PMU）测量和交流潮流模型的电力系统单线路故障识别方法。除了主要的识别算法外，还引入了拒绝滤波器，对初步识别结果进行进一步处理，将其分为正确识别、错误识别和不确定（包括正确过滤和错误过滤）三类。系统测试的方法使用各种大小的测试系统的各种PMU的位置，和结果表明，所提出的识别算法具有较高的识别精度和建议的拒绝滤波器是能够降低误判率，而不显着增加的不确定的情况下。
2020-11-18 cs.SY eess.SP eess.SY
Fast Electromagnetic Validations of Large-Scale Digital Coding Metasurfaces Accelerated by Recurrence Rebuild and Retrieval Method
提出了一种递归重建与检索方法（R3 M），用于加速大规模数字编码元表面（DCM）的电磁（EM）验证。R3 M旨在加速具有不同码本的DCM的EM验证，这涉及到一组相似但不相同的结构的分析。该方法通过将每个编码单元替换为包含所有可能编码状态的宏单元，将一般DCM变换为严格周期阵列。与严格周期阵列对应的系统矩阵通过隐式检索被具有任意码本的DCM全局共享。周期边界的基延拓消除了棱单元和角单元相互作用的差异。此外，分层模式开发（HPE）算法被用来有效地组装系统矩阵，以进一步加速。由于R3 M-HPE充分利用了矩阵的刚性周期性，理论上其计算复杂度低于相同范式下的$\mathcal{H}$ -矩阵。对两类DCM的数值计算结果表明，与商业软件相比，R3 M-HPE是准确的。此外，R3 M-HPE还兼容预处理，以实现高效的迭代解决方案。R3 M-HPE在存储和CPU时间成本方面的效率优于传统的快速算法。
2022-07-21 cs.CE eess.SP
Dimensionality Increment of PMU Data for Anomaly Detection in Low Observability Power Systems
异常检测是电力系统的一项重要任务。为了更好地利用从低可观性电力系统采集的相量测量单元（PMU）数据进行异常检测，提出了一种数据维数增量算法。首先，一个低维的时空数据矩阵，制定通过使用同步相量测量收集从有限数量的PMU在电力系统。然后，提出了一种基于随机张量理论（RTT）的数据维增量异常检测算法。该算法可以提高基于随机矩阵理论（RMT）和基于机器学习（ML）的异常检测方法的灵敏度，并且能够加快基于ML的异常检测方法中模型训练的收敛速度。IEEE 118节点测试系统的算例验证了该算法的有效性。
2019-10-19 cs.SY eess.SP eess.SY
Synthetic Dynamic PMU Data Generation: A Generative Adversarial Network Approach
Texas A&M University（德州农工大学）
本文讨论了用于科研和教学目的的合成相量测量单元（PMU）数据的产生。由于真实PMU数据的保密性和公众无法获得真实的电力系统基础设施信息，缺乏可信的真实数据成为日益关注的问题。而不是构建合成电网，然后通过时间模拟产生合成PMU测量数据，我们提出了一种无模型的方法来直接生成合成PMU数据。我们用真实的PMU数据训练生成式对抗网络（GAN），它可以用来生成捕捉系统动态行为的合成PMU数据。为了验证GAN模拟PMU数据的时序生成能力，我们从理论上分析了GAN学习系统动力学的能力。进一步通过对合成PMU数据的定量评价，验证了GAN在合成真实样本方面的潜力，同时也认识到本文的GAN模型仍有改进的空间。此外，这是第一次，这种生成模型被应用到合成PMU数据。
2018-12-07 cs.LG eess.SP
Vulnerability Analysis of Smart Grids to GPS Spoofing
The Univ. of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
本文研究智能电网中GPS欺骗攻击对PMU的影响，提出优化问题识别最脆弱的PMU，并开发贪心算法和高效交替最小化算法进行状态估计和攻击重建。
2018-04-25 cs.CR cs.SY eess.SP
Reconfigurable Intelligent Surface: Power Consumption Modeling and Practical Measurement Validation
针对RIS功耗建模与验证的空白，提出将RIS硬件分为FPGA控制板、驱动电路和单元单元三部分的功耗模型，并通过五种不同RIS的实测验证其通用性，进而探讨低功耗设计方法。
2024-02-06 cs.IT eess.SP math.IT
Unsupervised Event Detection, Clustering, and Use Case Exposition in Micro-PMU Measurements
University of California, Riverside（加州大学河滨分校）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；Riverside Public Utilities（河滨公共事业公司）
配电级相量测量单元（也称为微型PMU）报告大量高分辨率相量测量值，这些测量值构成所有配电馈线上发生的不同现象的各种事件特征。为了实现一个基于事件的分析，有有用的应用程序的公用事业运营商，需要提取这些事件从大量的微PMU数据。然而，由于事件的不频繁、不定期和未知的性质，甚至要弄清楚什么样的事件需要捕获和仔细检查通常都是一个挑战。在本文中，我们试图通过开发一种无监督的方法来解决这个开放的问题，这种方法需要最少的先验知识。首先，我们开发了一种基于生成对抗网络（GAN）概念的无监督事件检测方法。它的工作原理是训练深度神经网络，学习微PMU测量中正常趋势的特征;并相应地在存在任何异常时检测事件。我们还提出了一个两步无监督聚类方法，基于一个新的线性混合整数规划制定。它帮助我们在第一步中根据事件的起源和第二步中的相似性对事件进行分类。所提出的聚类方法的主动性质使得它能够在持续的基础上识别新的事件聚类。提出的无监督事件检测和聚类方法适用于现实世界的微PMU数据。结果表明，他们可以优于文献中流行的方法。这些方法还有助于我们进一步分析，以识别重要的事件集群，从而揭示可能对公用事业运营商有价值的几个用例。
2021-01-30 cs.CV cs.SY eess.SP
A PMU-based Multivariate Model for Classifying Power System Events
本文提出一种基于文本挖掘的多变量方法，用于检测虚假数据并识别暂态事件，通过分析每个PMU时间序列的属性及其关系，该方法在不同系统拓扑、负载条件、PMU覆盖率和布置下均有效。
2018-12-01 cs.SY eess.SP 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
