Implication of Unobservable State-and-topology Cyber-physical Attacks
Arizona State University（亚利桑那州立大学）
本文研究了一类不可观测的态与拓扑网络物理攻击对电网物理后果的影响，通过双阶段优化问题分析攻击对电网线路过载的影响，揭示此类攻击会增加系统对线路故障的脆弱性。
2015-09-01 cs.SY eess.SY
PMU-Based Estimation of Dynamic State Jacobian Matrix and Dynamic System State Matrix in Ambient Conditions
McGill University（麦吉尔大学）；Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术研究所）；MIT（麻省理工学院）
本文提出一种混合测量与模型方法，利用PMU测量提取的统计特性实时估计动态状态雅可比矩阵和系统状态矩阵，用于检测未反映在假设网络模型中的网络拓扑变化，并应用于在线动态稳定性监控。
2017-06-04 cs.SY eess.SY
Graph Neural Networks on Factor Graphs for Robust, Fast, and Scalable Linear State Estimation with PMUs
The Institute for Artificial Intelligence Research（塞尔维亚人工智能研究与发展研究所）；Faculty of Electrical Engineering（电子工程学院）；Faculty of Technical Sciences（技术科学学院）
本文提出基于因子图的图神经网络用于PMU的鲁棒、快速且可扩展的线性状态估计，通过高效模型提升电力系统状态估计的准确性与鲁棒性。
2023-04-28 cs.LG cs.SY eess.SY
An Online Network Model-Free Wide-Area Voltage Control Method Using PMUs
提出了一种新的基于相量测量单元（PMU）数据的广域电压控制（WAVC）方法。该方法适用于含柔性交流输电系统（FACTS）的电力系统。相对于以前的WAVC方法，建议的WAVC不需要任何模型知识或所有总线的参与，并考虑有功和无功功率扰动。具体而言，所提出的WAVC方法利用回归定理的Ornstein-Uhlenbeck过程估计灵敏度矩阵通过PMU数据在线，这是进一步用于设计和应用的电压调节，通过更新FACTS设备的参考点。IEEE 39节点和IEEE 68节点系统的数值结果表明，所提出的无模型WAVC可以提供有效的电压控制在各种网络拓扑，电压控制和电压不受控总线的不同组合，在测量噪声，并在失踪的PMU的情况下。特别地，当发生未检测到的拓扑变化时，所提出的WAVC算法可能优于基于模型的WAVC。
2021-02-09 cs.SY eess.SY
PMU-Based Estimation of Dynamic State Jacobian Matrix
MIT（麻省理工学院）
本文提出了一种混合测量与模型方法，用于近实时估计动态状态雅可比矩阵，方法计算高效且对网络拓扑变化具有鲁棒性，可用于在线振荡分析、稳定性监控与控制。
2015-10-26 cs.SY eess.SY
False Data Injection Attacks on Phasor Measurements That Bypass Low-rank Decomposition
School of Electrical, Computer and Energy Engineering Arizona State University（亚利桑那州立大学电气、计算机与能源工程学院）
本文研究了相量测量单元对虚假数据注入攻击的脆弱性，提出了一种更复杂的攻击方法，通过凸优化问题绕过低秩分解检测器，并在IEEE 24节点和118节点系统中验证了攻击模型的漏洞。
2017-05-04 cs.SY eess.SY
Transmission Lines Positive Sequence Parameters Estimation and Instrument Transformers Calibration Based on PMU Measurement Error Model
相量测量装置的测量数据在当今电力系统的稳态和动态分析中得到了广泛的应用。这些应用程序运行在公用事业的能源管理系统的性能很大程度上取决于一个准确的正序电力系统模型。然而，由于Transformers带来的变比误差和相量测量单元带来的通信误差，直接利用相量测量单元测量值计算输电线路参数，建立精确的模型是不切实际的。因此，本文提出了一种方法来估计整个系统的实际输电线路参数，并在同一时间，校准相应的Transformers。针对上述误差，提出了适用于换位和非换位输电线路的PMU正序测量误差模型。在此误差模型的基础上，设计了一种基于最小二乘估计的单线参数估计方法。该方法只需要一组参考测量值，并且精度可以随着引入的基于边的宽度优先搜索算法获得的拓扑一起传播到整个网络。IEEE 118节点系统和Texas 2000节点系统的算例验证了该方法的有效性。还讨论了在现实中部署的潜力。
2019-11-04 cs.SY eess.SY
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
Impacts of Bad Data on the PMU based Line Outage Detection
本文研究了通过注入虚假数据掩盖线路故障的方法，利用KCL和KVL保证数据不被检测，同时通过优化攻击向量增大残差以避免PMU检测到故障。
2015-11-23 cs.CR cs.SY eess.SY
Adaptive State Estimation Under Topological Uncertainty in Unobservable Primary Distribution Systems Using Strategically Placed Sensors
Arizona State University（亚利桑那州立大学）；GE Vernova（通用电气维诺瓦）
针对不可观测主配电系统拓扑不确定性问题，提出集成深度学习框架，结合相关性驱动传感器布置、双DNN状态估计与迁移学习，实现实时拓扑识别与状态估计，并在噪声下优于传统方法。
2026-09-25 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
Data-Driven Approach for Distribution Network Topology Detection
University of Padova（帕多瓦大学）；U. C. Berkeley（加州大学伯克利分校）
本文提出基于数据的配电网拓扑检测方法，利用实时电压时间序列数据识别开关动作和拓扑变化。通过高精度相量测量单元数据对比模拟拓扑的特征库实现检测。
2015-04-03 cs.SY eess.SY
Distribution Network Topology Detection with Time Series Measurement Data Analysis
University of Padova（帕多瓦大学）
本文提出利用时序测量数据检测配电网拓扑的新方法，通过比对实际状态转换签名与仿真拓扑库，验证IEEE 33节点模型的可行性。
2015-04-22 cs.SY eess.SY
Estimating the Frequency Coupling Matrix from Network Measurements
The Edward S. Rogers Sr. Department of Electrical & Computer Engineering, University of Toronto（多伦多大学电气工程与计算机工程系）
本文提出了一种从网络测量中估计频率耦合矩阵的方法，通过谐波减少定理计算等效虚拟频率耦合矩阵，并给出了高效的在线算法来估计频率耦合矩阵和谐波线路电导。
2018-09-21 cs.SY eess.SY
A Data-Driven Method for Microgrid System Identification: Physically Consistent Sparse Identification of Nonlinear Dynamics
McGill University（麦吉尔大学）
本文提出一种物理一致的非线性动力学稀疏辨识方法，利用相量测量单元数据准确建模微电网系统，通过仿真验证其在大扰动下的预测能力。
2026-05-13 cs.SY eess.SY
Synchrophasors and Synchrowaveforms for the Distribution Grid: The SoCal 28-Bus Dataset
California Institute of Technology（加州理工学院）
本文提供一个真实配电网的同步相量和波形测量数据集，包含多种发电资源、负载及拓扑变化，支持状态估计、系统辨识等应用，同时提供同步波形用于分析谐波和稳定性。
2026-05-07 cs.SY eess.SY
Local Topology Inference of Mobile Robotic Networks under Formation Control
Shanghai Jiao Tong University（上海交通大学）；University of Victoria（维多利亚大学）
交互拓扑结构是移动机器人网络高效协作的关键。研究了编队控制下多机器人网络的局部拓扑推理问题，其中一个推理机器人在有限的观测范围内可以在编队机器人之间进行机动。由于编队机器人的不可观测性、编队输入的不可获取性和交互作用范围的未知性等因素的高度耦合影响，该问题面临着新的挑战。这里的新颖想法是提倡范围收缩策略，以在过滤输入的同时完美地避免不可观察机器人的影响。为此，我们开发连续的算法来确定一个可行的常数机器人子集从观察范围内的变化的机器人集，并估计形成输入和相互作用的范围。然后，一个普通的最小二乘基于局部拓扑估计器的设计与先前推断的信息。借助于集中度测度，我们证明了所提出的估计的收敛速度和精度，考虑到前面的步骤的估计误差。对不同观测时隙的扩展和更复杂的情况也进行了分析。全面的模拟测试和方法比较证实了理论研究结果。
2022-04-30 cs.RO cs.SY eess.SY
Transferable Deep Learning Power System Short-Term Voltage Stability Assessment with Physics-Informed Topological Feature Engineering
本文提出从原始PMU数据构建拓扑感知、融入物理信息的电压动态特征，并结合深度学习实现可跨电网拓扑迁移的短期电压稳定评估。
2023-03-13 cs.LG cs.SY eess.SP
Low-Resolution Fault Localization Using Phasor Measurement Units with Community Detection
Arizona State University（亚利桑那州立大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
本文研究了在测量有限的情况下，如何利用图聚类概念通过子图级别定位不同类型的配电线路故障，突破可观测性限制。
2018-08-20 cs.SY eess.SY physics.data-an
Topology-Aware Spatio-Temporal Graph Transformer for Predicting Smart Grid Failures
North Dakota State University（北达科他州立大学）；North Carolina A&T State University（北卡罗来纳农业与州立大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；University of South Florida（南佛罗里达大学）
本研究提出拓扑感知的时空图Transformer模型，通过整合物理网络拓扑与时间序列数据，提升智能电网故障预测的准确性与可靠性。
2026-01-06 cs.SY eess.SY
A Convex Method of Generalized State Estimation using Circuit-theoretic Node-breaker Model
针对电网开关状态错误引发的拓扑误差及不良数据问题，本文提出基于电路理论的凸优化广义状态估计方法ckt-GSE，通过构建等效电路与线性规划求解，可联合估计交流状态与拓扑，兼具可扩展性与数据误差鲁棒性。
2024-07-12 cs.SY eess.SP 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
A Learning-based Hybrid System Approach for Detecting Contingencies in Distribution Grids with Inverter-Based Resources
针对含逆变器型资源的主动配电网，提出基于机器学习的随机混合系统建模框架，可检测常规传感系统无法识别的不可观测故障，在IEEE 33节点系统上实现96%的检测准确率。
2025-08-25 cs.SY eess.SY
Consistent distributed state estimation with global observability over sensor network
Key Laboratory of System and Control, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院系统与控重点实验室）
本文研究了一类离散时间变系统在传感器网络上的分布式状态估计问题，提出了一种子最优分布式卡尔曼滤波器，证明其一致性并设计自适应CI权重，同时基于强连通性和全局可观测性证明了协方差有界性和滤波收敛性。
2017-11-14 cs.SY eess.SY
Statistical Structure Learning, Towards a Robust Smart Grid
University of Southern California（南加州大学）
本文提出基于公交相角马尔可夫图的去中心化虚假数据注入检测方案，利用条件协方差测试学习电网结构，通过直流功率流模型证明正常情况下电网图可确定相角马尔可夫图，检测计算图与学习结构的差异以触发警报，无需额外硬件即可检测复杂攻击。
2014-03-07 cs.LG cs.SY eess.SY
Graph Neural Networks Based Detection of Stealth False Data Injection Attacks in Smart Grids
Texas A&M University（德克萨斯A&M大学）；Arkansas State University（阿肯色州立大学）；Tennessee Tech University（田纳西理工大学）
虚假数据注入攻击（FDIA）是一种主要的攻击类型，其目的是通过向电网中的智能计量设备注入虚假数据来破坏测量的完整性。据作者所知，没有研究试图设计一个检测器，自动建模的基础图形拓扑结构和空间相关的测量数据的智能电网，以更好地检测网络攻击。本文的贡献，以检测和减轻FDIA是双重的。首先，我们提出了一个通用的，本地化的和隐形的（不可观察的）攻击生成方法和公开访问的数据集，供研究人员开发和测试他们的算法。其次，我们提出了一个基于图神经网络（GNN）的，可扩展的和实时的FDIA检测器，有效地结合了模型驱动和数据驱动的方法，通过结合现代交流电网的固有物理连接和利用测量的空间相关性。通过将所提出的基于GNN的检测器与文献中现有的FDIA检测器进行比较，实验验证了我们的算法在具有14，118和300个总线的标准IEEE测试床的F1得分中分别优于最佳解决方案3.14%，4.25%和4.41%。
2021-10-10 cs.AI cs.LG cs.SY
