[論文レビュー] Matrix Completion for Low-Observability Voltage Estimation

Donti, Priya L., Liu, Yajing+4 more|arXiv (Cornell University)|Jan 29, 2018

Sparse and Compressive Sensing Techniques参考文献 24被引用数 6

ひとこと要約

本稿では、低ランク構造とノイズに強く、物理的整合性を持つ潮流制約を活用することで、従来の最小二乗法が失敗する低可観測状態下でも電圧シンボルを推定可能な、行列補完に基づく状態推定手法を提案する。この手法は、測定データがたった10%程度でも、平均絶対パcent誤差（MAPE）が1%未塔のほぼ完璧な精度を達成し、データ損失や低ノイズ環境に対しても高いロバスト性を示す。

ABSTRACT

With the rising penetration of distributed energy resources, distribution system control and enabling techniques such as state estimation have become essential to distribution system operation. However, traditional state estimation techniques have difficulty coping with the low-observability conditions often present on the distribution system due to the paucity of sensors and heterogeneity of measurements. To address these limitations, we propose a distribution system state estimation algorithm that employs matrix completion (a tool for estimating missing values in low-rank matrices) augmented with noise-resilient power flow constraints. This method operates under low-observability conditions where standard least-squares-based methods cannot operate, and flexibly incorporates any network quantities measured in the field. We empirically evaluate our method on the IEEE 33- and 123-bus test systems, and find that it provides near-perfect state estimation performance (within 1\% mean absolute percent error) across many low-observability data availability regimes.

研究の動機と目的

• 希少で信頼性の低い測定データによる配電系統の低可観測性に起因する状態推定の課題に対処すること。
• 測定数が不十分で不定方程式（m < n）となる状況で、標準的な最小二乗推定器が失敗する状況でも効果的に動作する手法を開発すること。
• 特定の測定タイプに依存せず、利用可能な現場測定データを柔軟に統合できるフレームワークを構築すること。
• 実世界の配電系統で一般的に見られる測定ノイズや動的データ損失に対してもロバストであることを保証すること。
• 長時間窓に依存しない、1回の時刻インスタンスのデータのみを用いたワンショット状態推定を可能とすること。

提案手法

• 各行が測定バスに対応し、各列が測定タイプ（例：電圧大きさ、電力）に対応する構造化されたデータ行列を構築する。
• 電圧状態行列が低ランクであるという仮定の下で、行列補完を用いて欠損した電圧シンボル値を推定する。
• 近似線形潮流方程式を用いて行列補完を制約し、物理的整合性を確保するとともにノイズ耐性を向上させる。
• 電圧シンボルの実部および虚部を直接推定し、それらから位相角推定値を導出する。
• 測定ノイズモデルを組み込み、データ適合性と物理的妥当性の両立を最適化問題として定式化する。
• IEEE 33-および 123-バス系統を用い、測定データの可用性、ノイズレベル、動的測定損失のさまざまな条件下で評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 物理的制約を備えた行列補完は、従来手法が失敗する低可観測配電系統において、高精度な電圧状態推定を可能にするか？
• RQ2 測定データの可用性が10%にまで低下しても、本手法はどの程度の性能を示すか？
• RQ3 時系列運用において、測定ノイズやランダムなデータ損失に対して、どの程度のロバスト性を示すか？
• RQ4 物理的潮流制約を組み込むことで、制約なしの行列補完に比べて推定精度がどの程度向上するか？
• RQ5 長期間の履歴データ窓を必要とせず、1回の時刻インスタンスのデータのみで高精度な推定が可能か？

主な発見

• 測定可能な量が10%以上存在する場合、電圧大きさ推定の平均絶対パーセント誤差（MAPE）が1%未塔である。
• 測定可能な量に測定データがない場合でも、電圧大きさのMAPEは2.6%未塔に保たれる。
• 電圧位相角推定では、1%の測定ノイズ下で平均絶対誤差（MAE）が最大1.75度であり、ノイズが低く（0.2%）測定データがない場合、MAEは1度未塔に低下する。
• 30%のデータ可用性下では、2時間の時系列において80%の時刻ステップで電圧大きさのMAPEが1%未塔、99%の時刻ステップで1.5%未塔に収まる。
• 50%または70%のデータ可用性下では、すべての時刻ステップで電圧大きさのMAPEが1%未塔に保たれる。
• 動的測定損失に対しても強いロバスト性を示し、利用可能な測定データの20%がランダムに失われても、MAPEが1.2%未塔に保たれる。