当前位置:
X-MOL 学术
›
IEEE J. Emerg. Sel. Top. Circuits Syst.
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Data-Driven Priors for Robust PSSE via Gauss-Newton Unrolled Neural Networks
IEEE Journal on Emerging and Selected Topics in Circuits and Systems ( IF 4.6 ) Pub Date : 2022-01-11 , DOI: 10.1109/jetcas.2022.3142051 Qiuling Yang , Alireza Sadeghi , Gang Wang
IEEE Journal on Emerging and Selected Topics in Circuits and Systems ( IF 4.6 ) Pub Date : 2022-01-11 , DOI: 10.1109/jetcas.2022.3142051 Qiuling Yang , Alireza Sadeghi , Gang Wang
Renewable energy sources, elastic loads, and purposeful manipulation of meter readings challenge the monitoring and control of today’s power systems (PS). In this context, fast and robust state estimation (SE) is timely and of major importance to maintaining a comprehensive view of the system in real-time. Conventional PSSE solvers typically entail minimizing a nonlinear and nonconvex least-squares cost using e.g., the Gauss-Newton method. Those iterative solvers however, are sensitive to initialization and may converge to local minima. To overcome these hurdles, the present paper draws recent advances on image denoising to put forth a novel PSSE formulation with a data-driven regularization term capturing a deep neural network (DNN) prior. For the resultant regularized PSSE objective, a “Gauss-Newton-type” alternating minimization solver is developed first. To accommodate real-time monitoring, a novel end-to-end DNN is constructed subsequently by unrolling the proposed alternating minimization solver. The deep PSSE architecture can further account for the power network topology through a graph neural network (GNN) based prior. To further endow the physics-based DNN with robustness against bad data, an adversarial DNN training method is put forth. Numerical tests using real load data on the IEEE 118-bus benchmark system showcase the improved estimation and robustness performance of the proposed scheme compared with several state-of-the-art alternatives.
中文翻译:
通过 Gauss-Newton 展开神经网络实现稳健 PSSE 的数据驱动先验
可再生能源、弹性负载和有目的的抄表操作对当今电力系统 (PS) 的监测和控制提出了挑战。在这种情况下,快速和稳健的状态估计 (SE) 是及时的,并且对于实时维护系统的全面视图非常重要。传统的 PSSE 求解器通常需要使用例如 Gauss-Newton 方法来最小化非线性和非凸最小二乘成本。然而,那些迭代求解器对初始化很敏感,可能会收敛到局部最小值。为了克服这些障碍,本文借鉴了图像去噪方面的最新进展,提出了一种新颖的 PSSE 公式,该公式具有数据驱动的正则化项,先捕获深度神经网络 (DNN)。对于得到的正则化 PSSE 目标,首先开发了“高斯-牛顿型”交替最小化求解器。为了适应实时监控,随后通过展开所提出的交替最小化求解器来构建一种新颖的端到端 DNN。深度 PSSE 架构可以通过基于图神经网络 (GNN) 的先验进一步解释电力网络拓扑。为了进一步赋予基于物理的 DNN 对不良数据的鲁棒性,提出了一种对抗性 DNN 训练方法。使用 IEEE 118 总线基准系统上的实际负载数据进行的数值测试展示了与几种最先进的替代方案相比,所提出方案的改进的估计和鲁棒性性能。深度 PSSE 架构可以通过基于图神经网络 (GNN) 的先验进一步解释电力网络拓扑。为了进一步赋予基于物理的 DNN 对不良数据的鲁棒性,提出了一种对抗性 DNN 训练方法。使用 IEEE 118 总线基准系统上的实际负载数据进行的数值测试展示了与几种最先进的替代方案相比,所提出方案的改进的估计和鲁棒性性能。深度 PSSE 架构可以通过基于图神经网络 (GNN) 的先验进一步解释电力网络拓扑。为了进一步赋予基于物理的 DNN 对不良数据的鲁棒性,提出了一种对抗性 DNN 训练方法。使用 IEEE 118 总线基准系统上的实际负载数据进行的数值测试展示了与几种最先进的替代方案相比,所提出方案的改进的估计和鲁棒性性能。
更新日期:2022-01-11
中文翻译:
通过 Gauss-Newton 展开神经网络实现稳健 PSSE 的数据驱动先验
可再生能源、弹性负载和有目的的抄表操作对当今电力系统 (PS) 的监测和控制提出了挑战。在这种情况下,快速和稳健的状态估计 (SE) 是及时的,并且对于实时维护系统的全面视图非常重要。传统的 PSSE 求解器通常需要使用例如 Gauss-Newton 方法来最小化非线性和非凸最小二乘成本。然而,那些迭代求解器对初始化很敏感,可能会收敛到局部最小值。为了克服这些障碍,本文借鉴了图像去噪方面的最新进展,提出了一种新颖的 PSSE 公式,该公式具有数据驱动的正则化项,先捕获深度神经网络 (DNN)。对于得到的正则化 PSSE 目标,首先开发了“高斯-牛顿型”交替最小化求解器。为了适应实时监控,随后通过展开所提出的交替最小化求解器来构建一种新颖的端到端 DNN。深度 PSSE 架构可以通过基于图神经网络 (GNN) 的先验进一步解释电力网络拓扑。为了进一步赋予基于物理的 DNN 对不良数据的鲁棒性,提出了一种对抗性 DNN 训练方法。使用 IEEE 118 总线基准系统上的实际负载数据进行的数值测试展示了与几种最先进的替代方案相比,所提出方案的改进的估计和鲁棒性性能。深度 PSSE 架构可以通过基于图神经网络 (GNN) 的先验进一步解释电力网络拓扑。为了进一步赋予基于物理的 DNN 对不良数据的鲁棒性,提出了一种对抗性 DNN 训练方法。使用 IEEE 118 总线基准系统上的实际负载数据进行的数值测试展示了与几种最先进的替代方案相比,所提出方案的改进的估计和鲁棒性性能。深度 PSSE 架构可以通过基于图神经网络 (GNN) 的先验进一步解释电力网络拓扑。为了进一步赋予基于物理的 DNN 对不良数据的鲁棒性,提出了一种对抗性 DNN 训练方法。使用 IEEE 118 总线基准系统上的实际负载数据进行的数值测试展示了与几种最先进的替代方案相比,所提出方案的改进的估计和鲁棒性性能。