[论文解读] Lassoing Line Outages in the Smart Power Grid

Hao Zhu, Georgios B. Giannakis|arXiv (Cornell University)|May 16, 2011

Power System Optimization and Stability参考文献 12被引用 7

一句话总结

该论文提出了一种计算效率高、接近实时的算法，仅使用本地PMU电压相量角测量数据和每小时的基准系统接线图，用于识别智能电网中的多条输电线路停运。通过将直流潮流模型重新表述为稀疏超完备表示，并采用块坐标下降法进行Lasso优化，该方法能够准确检测多条停运——即使在不可观测的外部系统中——在IEEE 118节点系统中成功识别出三起停运事件，且精度极高。

ABSTRACT

Fast and accurate unveiling of power line outages is of paramount importance not only for preventing faults that may lead to blackouts, but also for routine monitoring and control tasks of the smart grid, including state estimation and optimal power flow. Existing approaches are either challenged by the \emph{combinatorial complexity} issues involved, and are thus limited to identifying single- and double-line outages; or, they invoke less pragmatic assumptions such as \emph{conditionally independent} phasor angle measurements available across the grid. Using only a subset of voltage phasor angle data, the present paper develops a near real-time algorithm for identifying multiple line outages at the affordable complexity of solving a quadratic program via block coordinate descent iterations. The novel approach relies on reformulating the DC linear power flow model as a \emph{sparse} overcomplete expansion, and leveraging contemporary advances in compressive sampling and variable selection using the least-absolute shrinkage and selection operator (Lasso). Analysis and simulated tests on the standard IEEE 118-bus system confirm the effectiveness of lassoing line changes in the smart power grid.

研究动机与目标

• 解决仅使用本地PMU数据和每小时接线信息，识别外部系统区域中多条线路停运的挑战。
• 克服传统整数规划方法在停运检测中面临的组合复杂性问题。
• 实现实时监控和故障诊断，而无需实时跨系统PMU数据或条件独立性假设。
• 开发一种可扩展的基于凸优化的解决方案，利用压缩采样和稀疏向量估计技术识别线路变化。

提出的方法

• 将直流潮流模型重新表述为因线路变化引起的相量角增量的稀疏超完备表示。
• 通过Lasso（最小绝对收缩与选择算子）将线路停运检测建模为稀疏向量估计问题，以促进解的稀疏性。
• 通过块坐标下降法（BCD）求解所得的非光滑凸优化问题，采用闭式更新以实现高效计算。
• 采用路径跟踪策略，逐步减小正则化参数λ，以计算完整的识别路径。
• 应用统计检验方法——最小描述长度（MDL）和样本方差偏差——以确定检测到的停运数量的最优值。
• 在IEEE 118节点系统上使用MATPOWER生成的数据验证该方法，并在不同噪声水平下评估性能。

实验结果

研究问题

• RQ1 仅使用本地PMU数据和基准接线图，能否在不可观测的外部系统中准确识别多条线路停运？
• RQ2 如何在保持精度的同时降低传统停运识别方法的组合复杂性？
• RQ3 Lasso-based稀疏恢复技术在电力系统线路停运检测中的适用程度如何，是否具备可证明的收敛性与低计算成本？
• RQ4 在存在测量噪声的情况下，何种统计标准可可靠地确定实际停运线路的数量？

主要发现

• 所提出的算法在IEEE 118节点系统中完美准确地识别出全部三起实际停运线路——(42,49)、(38,65)和(69,75)。
• MDL和方差偏差检验均将正确停运数量（|E′| = 3）识别为最小得分，证实了该方法的统计鲁棒性。
• 除三起实际停运线路外，所有其他线路的估计稀疏向量条目绝对值在数值上均为零，确认了精确恢复。
• 图1中的识别路径显示，随着λ减小，解从稀疏逐渐变为更密集，最优解出现在对应三个非零条目的λ处。
• 即使所有受影响的停运母线均不可观测，该方法仍能实现准确检测，证明其在远程系统监控中的有效性。
• 块坐标下降求解器收敛迅速，尽管电力系统规模庞大，仍可实现实时应用。