[论文解读] Identification of AC Networks via Online Learning

Emanuele Fabbiani, Pulkit Nahata+2 more|arXiv (Cornell University)|Mar 13, 2020

Power System Optimization and Stability参考文献 29被引用 4

一句话总结

本文提出一种基于相量测量的在线递归辨识方法，用于交流（AC）配电网络，以实时估计网络导纳矩阵，捕捉网络拓扑和线路参数。通过集成实验设计（DoE）程序以优化电压激励，该方法加速了收敛并提高了精度，尤其在拓扑变化时表现优于批量方法和标准递归方法，在真实配电网的数值测试中表现优异。

ABSTRACT

The increasing penetration of intermittent distributed energy resources in power networks calls for novel planning and control methodologies which hinge on detailed knowledge of the grid. However, reliable information concerning the system topology and parameters may be missing or outdated for temporally varying electric distribution networks. This paper proposes an online learning procedure to estimate the network admittance matrix capturing topological information and line parameters. We start off by providing a recursive identification algorithm exploiting phasor measurements of voltages and currents. With the goal of accelerating convergence, we subsequently complement our base algorithm with a design-of-experiment procedure which maximizes the information content of data at each step by computing optimal voltage excitations. Our approach improves on existing techniques, and its effectiveness is substantiated by numerical studies on realistic testbeds.

研究动机与目标

• 解决动态可重构配电网络中电网拓扑和参数信息不可靠或过时的挑战。
• 开发一种在线递归辨识框架，利用实时相量测量持续更新网络导纳矩阵估计。
• 通过最优电压激励设计的主动数据采集策略，提升收敛速度和估计精度。
• 在测量噪声以及线路跳闸或网络重构等结构变化下保持鲁棒性。
• 提供一种可扩展的、对称导纳约束的方法，适用于辐射型和环网型配电网络。

提出的方法

• 采用递归最小二乘法（RLS）算法，基于同步电压和电流相量测量数据递归估计导纳矩阵。
• 在先验条件下强制导纳矩阵保持对称，以避免参数过多并确保物理一致性。
• 通过实验设计（DoE）程序计算发电机母线上的最优电压设定值，以在每个时间步最大化信息量。
• DoE公式利用当前导纳矩阵估计值，预测费雪信息增益并指导电压激励。
• 该算法以在线方式实现，可在无需重新初始化的情况下快速适应拓扑变化。
• 与批量方法（OLS、自适应Lasso）及标准RLS进行对比，评估在不同条件下的性能表现。

实验结果

研究问题

• RQ1 在线递归估计结合最优电压激励是否能提升交流配电网络辨识的收敛速度和精度？
• RQ2 所提出的基于DoE的方法在如线路跳闸等动态网络变化下表现如何？
• RQ3 与标准RLS和批量方法相比，DoE程序在多大程度上降低了估计误差？
• RQ4 在真实配电系统场景中，该方法对电压测量噪声的鲁棒性如何？
• RQ5 在DoE公式中使用估计的导纳 $ \hat{Y}_{t-1} $ 而非真实导纳 $ Y $，是否会导致性能显著下降？

主要发现

• 基于DoE的方法在50次迭代后，网格T的误差指标最低：$ m_F = 1.34 \times 10^{-2} $ 和 $ m_{\max} = 0.55 \times 10^{-2} $，优于OLS、自适应Lasso和RLS1。
• 在 $ t = 100 $ 时模拟线路跳闸后，DoE在 $ t = 107 $ 时将导纳 $ y_{7,10} $ 估计为0.48，而RLS1估计为2.55，显示出对拓扑变化的更快适应能力。
• 在网格T上，50次迭代后，DoE方法相比RLS1将估计误差降低了60%以上，相比OLS降低了80%以上。
• 即使在显著的电压噪声（与电流噪声相当）条件下，DoE仍保持可接受性能，显示出优于其他方法的鲁棒性。
• 在DoE公式中使用估计的 $ \hat{Y}_{t-1} $ 而非真实 $ Y $，仅导致性能轻微下降，验证了其实际可行性。
• 最大估计误差比最小导纳元素小两个数量级，使得从估计矩阵中实现简单可靠的拓扑推断成为可能。