智能电网状态估计中提高数据完整性的超分辨率感知

工程6（2020）789研究智能电网与能源互联网-文章智能电网状态估计中提高数据完整性的超分辨率感知梁高琪a，b，刘国龙a，赵俊华a，c，刘燕丽d，刘伟，顾锦锦a，孙广忠b，董朝阳ea香港中文大学科学与工程学院，深圳，深圳518172，中国b中国科学技术大学计算机科学与技术学院，合肥230027c深圳市人工智能与机器人社会研究院，中国深圳518172d天津大学电气与信息工程学院，天津300072电子工程与电信学院，新南威尔士大学，悉尼，NSW 2052，澳大利亚阿提奇莱因福奥文章历史记录：收到2019年2019年10月8日修订2020年2月19日接受2020年6月22日在线提供保留字：状态估计低频数据高频数据超分辨率感知数据完整性A B S T R A C T智能电网是一个不断发展的关键基础设施，它结合了可再生能源和最先进的信息和通信技术，以提供更经济和安全的供电服务。为了应对日益增长的可再生能源的不稳定性，并确保智能电网的安全性，状态估计，作为了解智能电网的真实状态的基本工具需要更完整的系统状态数据来支持高频状态估计。因此，本文研究了智能电网状态估计的数据完整性问题。通过从低频数据恢复高频数据来提高数据完整性的问题被描述为一个超分辨率感知（SRP）问题在这篇论文中。提出了一种基于机器学习的SRP方法。所提出的方法，即超分辨率感知网络状态估计（SRPNSE），包括三个步骤：特征提取，信息完成，数据重建。算例分析表明了SRPNSE方法在从低频数据恢复高频数据进行状态估计方面的有效性和价值。©2020 THE COUNTORS.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍智能电网是为现代社会持续提供安全和经济电力供应的关键基础设施。智能电网中的状态估计在系统监测和控制中起着至关重要的作用，它有助于系统操作员感知系统目前，智能电网的发展对状态估计提出了新的要求。一方面，随着可再生能源和新能源设备（如风力发电、太阳能发电和电动汽车）的快速增长，智能电网中引入了更大的不确定性[2]。为了减轻间歇性可再生能源的不利影响，系统运营商需要更频繁地感知系统另一方面，随着经济的快速发展，*通讯作者。电子邮件地址：zhaojunhua@cuhk.edu.cn（J. Zhao），yanliliu@tju.edu.cn（Y.Liu）.大数据技术正被广泛应用于通过分析系统测量数据来发现隐藏的知识[3]。状态估计直接监测电压、电流、有功功率和无功功率值，是感知系统工作状态的基本工具因此，更频繁的状态估计结果有助于发现更多的隐藏知识，这有利于提高系统的安全性和效率。执行高频状态估计提出了新的实际挑战和困难。首先，状态估计基于部署在节点、发电机、传输线等上的数千个仪表来监视系统状态。在现有的超级计算机控制和数据采集（SCADA）系统中，智能电网中的大多数仪表是多年前部署的传统传感器传统仪表以相对较低的频率（例如每隔几分钟）收集测量结果[4，5]。其次，一些高频采样仪表（如相量测量单元（PMU））可以以比传统仪表高得多的频率收集测量数据[6然而，单一测量不足以进行状态估计;在任何特定时间https://doi.org/10.1016/j.eng.2020.06.0062095-8099/©2020 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志主页：www.elsevier.com/locate/eng790G。Liang等人/工程6（2020）789点，状态估计的输入必须是测量向量。PMU极其昂贵;用PMU取代所有传统电表在经济上是不现实的[7]。第三，即使所有的传统电表都可以被PMU取代，系统状态感知的能力也受到通信信道容量的限制。PMU采集的高频采样数据不能完全传输到控制中心，而通常临时存储在远程位置[5]。因此，PMU总之，由于技术限制，执行高频状态估计仍然是一项困难的任务。此外，由传统仪表收集的数据和由PMU收集的数据都可能由于通信故障或网络攻击[9]而丢失或被操纵，例如错误数据注入攻击（FDIA）[10，11]、网络拓扑攻击[12现实世界的网络攻击事件，如2015年12月的乌克兰停电[17]和2019年3月的委内瑞拉停电[18]，表明网络攻击可能导致严重后果。在文献中，已经进行了许多研究来检测由网络攻击者引起的异常数据。例如，Ashok等人[19]提出了检测通过描述基于SCADA的状态估计和基于负荷预测信息、发电计划和同步相量数据的预测系统状态之间的变化的统计特性，来分析异常。Esmalifalak等人[20]利用基于分布式支持向量机（SVM）的方法来区分受攻击数据和正常测量数据。然而，到目前为止，有非常有限的研究有效的方法来恢复这些操纵的数据。缺失和篡改的数据也给精确的状态估计带来了重大挑战。为了解决上述挑战，需要新的方法来支持基于现有计量基础设施的系统操作状态的高频感知在本文中，我们认为这个问题作为一个数据完整性改进问题。我们将控制中心接收到的原始测量值低频数据），以及期望系统操作员用来作为完整数据进行高频决策的数据（即，高频数据）。因此，这个问题相当于如何从低频数据中恢复高频数据以实现数据完整性提高的问题。不同的研究领域和不同的数据质量属性可能会有不同的方法，探索合适的方法来提高智能电网状态估计的数据完整性是至关重要的在本文中，我们实现了这一目标，通过应用超分辨率（SR）技术。SR是一种可以从时间和空间角度从低分辨率数据恢复高分辨率数据的技术[21，22]。目前，从低分辨率数据中获得高分辨率数据的最有效方法主要分别基于插值、重建和机器学习[23]。基于机器学习的SR试图通过给定样本获得低分辨率和高分辨率图像块之间的先验映射，由于其良好的性能，近年来已成为热门话题[24]。例如，Dong et al.[25]提出了一种新的深度学习方法-即超分辨率卷积神经网络（SRCNN）-来学习低分辨率和高分辨率图像之间的端到端映射;这种方法在恢复高分辨率图像方面表现出卓越的性能。Wang等人。[26]提出了一种增强的超分辨率生成对抗网络（ESR- GAN）来恢复图像，它比其他SR方法实现了更好的感知质量。这篇论文的动机是显而易见的。对系统运行状态的高频感知智能电网的发展。然而，传统电表因此，本文的目的是开发一种超分辨率感知（SRP）方法，以提高智能电网状态估计的数据完整性。本文件作出了以下两个主要贡献：(1) 我们是第一批研究智能电网状态估计的数据完整性问题。(2) 我们是第一个提出一个有效的SRP方法来恢复高频数据从低频数据的状态估计。本文证明了所提出的超分辨率感知网络状态估计（SRPNSE）方法的有效性和价值。本文的组织结构如下。第2节提供了智能电网状态估计及其数据完整性问题的一些背景信息第3节描述了SRP问题，并给出了一种新的深度学习方法SRPNSE的网络结构和解决框架。第4通过仿真验证了该方法的有效性最后，第5提供了结论和未来工作的讨论。2. 状态估计的数据完备性问题在本节中，我们简要介绍了智能电网状态估计及其数据完整性问题。2.1. 智能电网状态估计在智能电网中，感知系统运行状态的关键是获得系统测量值，即网络中每条母线上的稳态电压矢量（幅值和角度）。一旦掌握了电压信息，所有其他系统状态变量都可以使用潮流方程[4，5]轻松计算。然而，并非所有节点的电压幅值和相位角都可以容易地遥测。 其他信息，例如某些输电线路的有功和无功功率流，或一些有功和无功功率注入，需要监控以便满足不同的控制目的（例如，提供警报紧急情况）。此外，由于干扰或网络攻击造成的测量误差，并非所有遥测数据都可靠。状态估计是从所有可用的系统测量估计系统状态变量的工具。因此，现代电力系统的状态估计在智能电网的在线监测、分析和控制中起着至关重要的作用。状态估计通常是智能电网能量管理系统中的一个模块。除了必要的通信网络，整体状态估计相关的模块包含三个主要组成部分：传感器，状态估计器，和一个坏数据检测器。传感器以一定的采样频率测量系统状态，例如母线电压幅值、有功和无功功率注入、有功和无功功率流等[1]。状态估计器利用所有收集的数据来估计系统状态变量，以便获得电力系统在稳态下的快照。此后，不良数据检测器检测并消除测量中的明显误差。状态估计过程可以被认为是一个广义的潮流计算。如以下模型所示，z表示大小为[m，1]的测量数据向量;x表示大小为[n，1]的系统状态变量向量，且m>n;h（x）表示测量值与系统状态变量之间的函数关系;e表示大小为[m，1]的噪声向量。zhxe 1·

下载后可阅读完整内容，剩余1页未读，立即下载