[論文レビュー] Sparse Recovery from Nonlinear Measurements with Applications in Bad Data Detection for Power Networks

Weiyu Xu, Meng Wang+2 more|arXiv (Cornell University)|Dec 29, 2011

Sparse and Compressive Sensing Techniques参考文献 24被引用数 21

ひとこと要約

本稿では、電力網における非線形測定値からスパース状態を回復するために、混合 ℓ₁ と ℓ₂ 範数を用いた反復的凸最適化手法を提案する。これにより、スパースな巨大誤差と加法的ノイズの下でも、頑健な不正データ検出が可能となる。主な貢献は、局所線形化を用いた非線形測定値に対する理論的収束保証と、部分空間のほぼユークリッド性に関する新たな境界であり、半定値計画法とシミュレーションを用いて、既存手法を上回る性能が実証された。

ABSTRACT

In this paper, we consider the problem of sparse recovery from nonlinear measurements, which has applications in state estimation and bad data detection for power networks. An iterative mixed $\ell_1$ and $\ell_2$ convex program is used to estimate the true state by locally linearizing the nonlinear measurements. When the measurements are linear, through using the almost Euclidean property for a linear subspace, we derive a new performance bound for the state estimation error under sparse bad data and additive observation noise. As a byproduct, in this paper we provide sharp bounds on the almost Euclidean property of a linear subspace, using the "escape-through-the-mesh" theorem from geometric functional analysis. When the measurements are nonlinear, we give conditions under which the solution of the iterative algorithm converges to the true state even though the locally linearized measurements may not be the actual nonlinear measurements. We numerically evaluate our iterative convex programming approach to perform bad data detections in nonlinear electrical power networks problems. We are able to use semidefinite programming to verify the conditions for convergence of the proposed iterative sparse recovery algorithms from nonlinear measurements.

研究の動機と目的

• スマートグリッドシステムで一般的な、スパースな不正データと加法的ノイズによって汚染された電力網における状態推定を扱う。
• 線形圧縮センシングを非線形システムに一般化する、非線形測定値向けの頑健なスパース復元アルゴリズムを開発する。
• 反復的凸最適化が非線形性とスパース誤差が存在する中でも真の状態に収束する理論的条件を確立する。
• 幾何的関数解析、特に「メッシュを通り抜ける」定理を用いて、推定誤差のより緊密な性能境界を導出する。
• 数値シミュレーションと半定値計画法による収束条件の検証を通じて、手法を検証する。

提案手法

• 反復的アルゴリズムを用いて、現在の推定値の周囲で非線形測定値を局所線形化し、凸最適化手法の適用を可能にする。
• 加法的ノイズの抑制とスパースな不正データの検出を同時に実現するため、混合 ℓ₁ と ℓ₂ 凸計画問題を定式化する。
• 本手法は、測定部分空間のほぼユークリッド性に依存しており、性能境界を導出するために「メッシュを通り抜ける」定理を用いて定量的に評価する。
• 非線形ケースでは、局所ヤコビアン近似の条件のもとで収束を分析し、真の状態の十分に小さな近傍に到達すれば収束が保証される。
• 実際の収束条件の検証に、半定値計画法を用い、局所線形化と真のヤコビアンとの乖離を制限する。
• アルゴリズムはスパースな初期推定値から開始され、相対誤差を各ステップでモニタリングしながら反復的に改善され、収束するまで繰り返される。

実験結果

リサーチクエスチョン

• RQ1 スパースな不正データを含む非線形測定値からの復元において、反復的凸最適化手法が真の状態に収束する条件は何か？
• RQ2 幾何的関数解析を用いて、線形部分空間のほぼユークリッド性をどのようにより緊密に境界づけられるか？
• RQ3 非線形システムにおけるスパースな不正データと加法的ガウスノイズの下で、状態推定誤差に導ける性能境界は何か？
• RQ4 既存手法（誤差位置が既知のWLSやĥb検定）と比較して、提案手法の精度はどのように向上するか？
• RQ5 半定値計画法を用いて、非線形スパース復元アルゴリズムの収束条件を検証できるか？

主な発見

• 線形測定値の場合、ρ = 0.02 かつ σ = 0 の条件下で、完全な収束保証がなくても相対推定誤差が 0.018 に達する。これはスパース誤差に対して頑健であることを示している。
• σ = 0 のシミュレーションにおいて、反復的アルゴリズムは初期状態の相対誤差 0.2447 を7回の反復で 3×10⁻⁸ まで低下させ、高速収束を示した。
• 提案手法はĥb検定よりも推定精度が高く、ρ = 0.02 の条件下で200回のランで平均相対誤差が低かった。
• 非線形測定値の場合、局所ヤコビアンの偏差が ε = 10⁻³ 以下に制限される場合、不正データの数が最大7個以内であれば収束が保証され、ℓ₁/ℓ₂比条件の下限 C ≥ 1.1222 が得られた。
• 理論的収束条件は保守的である。シミュレーションでは、解析で予測された範囲よりも広い実用的収束領域が示された。
• 「メッシュを通り抜ける」定理の使用により、部分空間のほぼユークリッド性に対する境界が、従来の解析よりも著しく緊密になった。