[論文レビュー] Performance Analysis of Sparse Recovery Models for Bad Data Detection and State Esti-mation in Electric Power Networks

Junwei Yang, Wenchuan Wu+3 more|arXiv (Cornell University)|Jun 7, 2016

Power System Optimization and Stability参考文献 4被引用数 3

ひとこと要約

本稿では、電力系統における不正データ検出および状態推定のため、スパース回復モデル（L1-RおよびCapped-L1）を重み付き最小絶対値（WLAV）と比較して評価する。Capped-L1は非線形測定を含むシステムにおいて、特に優れたロバスト性と計算効率を示し、実用的な電力網への導入に向けたパラメータ選定の指針を提示する。

ABSTRACT

This paper investigates the sparse recovery models for bad data detection and state estimation in power networks. Two sparse models, the sparse L1-relaxation model (L1-R) and the multi-stage convex relaxation model (Capped-L1), are compared with the weighted least absolute value (WLAV) in the aspects of the bad data processing capacity and the computational efficiency. Numerical tests are conducted on power systems with linear and nonlinear measurements. Based on numerical tests, the paper evaluates the performance of these robust state estimation mod-els. Furthermore, suggestion on how to select parameter of sparse recovery models is also given when they are used in elec-tric power networks.

研究の動機と目的

• 電力ネットワークにおける不正データの検出および状態変数の推定におけるスパース回復モデルの性能を評価すること。
• 線形および非線形測定条件下でのL1-R、Capped-L1、およびWLAVのロバスト性および計算効率を比較すること。
• 実世界の電力系統応用におけるスパース回復モデルの最適なパラメータ設定を特定すること。
• 状態推定および不正データ検出におけるモデル選定およびパラメータチューニングに関する実用的ガイドラインを提供すること。

提案手法

• L1ノルム最小化を用いたスパース回復フレームワークを構築し、電力系統の状態推定における不正データの検出および是正を実現する。
• 標準的なL1-RよりもL0ノルムのスパarsity制約をよりよく近似できる、マルチステージ凸緩和モデル（Capped-L1）を提案する。
• 線形および非線形測定を含むテストシステムを用いた数値シミュレーションにより、モデルの性能を比較する。
• ロバスト性および精度の評価のベンチマークとして、重み付き最小絶対値（WLAV）を用いる。
• 測定ノイズの特性およびシステムトポロジーに基づいたパラメータチューニング戦略を適用する。
• 推定誤差、収束速度、不正データ検出率などの指標を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 L1-RおよびCapped-L1モデルは、線形および非線形測定システムにおいて、WLAVと比較して不正データ検出精度でどのように異なるか？
• RQ2 大規模電力系統状態推定において、Capped-L1はL1-RおよびWLAVと比較して計算効率がどの程度高いか？
• RQ3 測定の非線形性は、状態推定におけるスパース回復モデルの性能にどのように影響するか？
• RQ4 スパース回復モデルにおいて、推定精度と計算コストのトレードオフを最適化するパラメータ設定は何か？
• RQ5 どのような状況下でCapped-L1は従来のL1-RおよびWLAVを上回るロバストな状態推定を実現するか？

主な発見

• Capped-L1モデルは、非線形測定を含むシステムにおいて、L1-RおよびWLAVよりも高い不正データ検出精度を達成する。
• Capped-L1は優れた計算効率を示し、L1-Rよりも速く収束し、WLAVと同等の速度を維持しながらも、より優れたロバスト性を有する。
• L1-Rモデルは従来の重み付き最小二乗法よりもロバスト性が向上しているが、大きな誤差や非線形性の処理においてCapped-L1に劣る。
• WLAVは線形システムでは良好に機能するが、非線形測定条件下では著しく性能が低下するのに対し、スパースモデルはより高い耐性を示す。
• Capped-L1の最適なパラメータ選定には、ノイズ分散およびシステムトポロジーに応じたしきい値パラメータのチューニングが必要であり、検出精度を最大化できる。
• 数値結果は、実用的な電力系統応用において、Capped-L1がL1-Rよりもスパarsity促進と計算の実行可能性のバランスに優れていることを確認している。