[论文解读] Dynamic Mode Decomposition and Sparse Measurements for Characterization and Monitoring of Power System Disturbances

Juan Ramos, J. Nathan Kutz|arXiv (Cornell University)|Jun 8, 2019

Power System Optimization and Stability被引用 7

一句话总结

本文提出了一种结合动态模态分解（DMD）与稀疏测量的数据驱动框架，用于电力系统的广域监测，能够从有限的相量测量单元（PMU）数据中实现精确的状态估计与预测。通过利用压缩感知和基于DMD的低秩时空模态，该方法仅需最少数量的传感器即可实现完整状态重建与扰动特征分析，在IEEE 118节点系统上针对多种故障场景进行了验证。

ABSTRACT

We introduce the dynamics mode decomposition for monitoring wide-area power grid networks from sparse measurement data. The mathematical framework fuses data from multiple sensors based on multivariate statistics, providing accurate full state estimation from limited measurements and generating data-driven forecasts for the state of the system. Our proposed data-driven strategy, which is based on energy metrics, can be used for the analysis of major disturbances in the network. The approach is tested and validated using time domain simulations in the IEEE 118 bus system under various disturbance scenarios and under different sparse observations of the system. In addition to state reconstruction, the minimal number of sensors required for monitoring disturbances can be evaluated. Visualization techniques are developed in order to aid in the analysis and characterization of the system after disturbance.

研究动机与目标

• 解决利用稀疏PMU测量实现电力系统实时广域监测的挑战。
• 开发一种数据驱动方法，实现从有限传感器数据中精确的全状态估计与预测。
• 在保持扰动检测与特征分析高精度的前提下，最小化所需PMU的数量。
• 提供一种可扩展的分布式监测解决方案，相比集中式系统显著降低通信与计算负载。
• 通过基于能量的度量与DMD模态，实现扰动后系统动态的可视化与分析。

提出的方法

• 对时间序列PMU数据应用动态模态分解（DMD），提取主导的时空模态以表示系统状态。
• 利用压缩感知识别实现系统可观测性所需的最少关键测量点。
• 从训练数据中构建低秩DMD模态库，以表征正常与扰动状态下的系统动态。
• 利用DMD模态库与基于能量的度量，从稀疏测量中重构全系统状态。
• 通过将DMD模态向前推进时间，生成未来系统状态的数据驱动预测。
• 集成可视化技术，以分析与表征扰动传播与事件后系统行为。

实验结果

研究问题

• RQ1 在扰动条件下，准确重构电力系统全状态所需的最少PMU数量是多少？
• RQ2 基于DMD的模型在稀疏、实时PMU测量下，对系统状态的重构精度如何？
• RQ3 所提出的方法能否利用有限数据检测并表征如同步功角失稳等广域扰动？
• RQ4 与传统的基于模型或聚类的扰动定位方法相比，DMD-压缩感知框架的性能如何？
• RQ5 基于能量的度量与可视化工具在电力系统扰动期间在多大程度上提升了态势感知能力？

主要发现

• 所提出的DMD与稀疏测量框架仅需少量PMU即可实现IEEE 118节点系统全状态的精确重构。
• 该方法成功识别出实现有效扰动监测所需的最少传感器数量，显著降低了测量与通信开销。
• 通过推进DMD模态实现高精度状态预测，可实现系统失稳的早期预警。
• DMD模态的可视化能有效揭示同步振荡行为与扰动传播模式。
• 在测量数据有限或存在噪声的场景下，该方法优于传统的基于模型与聚类的方法。
• 该框架在各种扰动类型下具有鲁棒性，并且在稀疏与非均匀采样条件下仍保持高性能。