[论文解读] Linear Eigenvalue Statistics: An Indicator Ensemble Design for Situation Awareness of Power Systems

Xing He, Robert C. Qiu+3 more|arXiv (Cornell University)|Dec 22, 2015

Blind Source Separation Techniques参考文献 35被引用 6

一句话总结

本文提出一种基于随机矩阵理论的、数据驱动的统计方法，通过一组线性特征值统计（LESs）实现电力系统状态感知。通过利用LESs和三维功率图可视化，该方法可在无需系统拓扑、控制模型或因果关系的前提下，实现快速、鲁棒且通用的状态评估，对不良数据表现出强韧性。

ABSTRACT

Power systems are developing very fast nowadays, both in size and in complexity; this trend is challenging the situation awareness (SA) with classical indicators, which are always deterministic and highly relying on the mechanism models. This paper proposes an indicator ensemble of linear eigenvalue statistics (LESs) as an alternative; besides, the random matrix model (RMM) is introduced as a connection with the physical systems. Thus, related to the ensemble, a data-driven methodology of SA is presented; moreover, we develop 3D powermap as a visualization. The LES ensemble and according methodology conduct SA with a pure statistical procedure, requiring no knowledge of system topologies, unit operation/control models, causal relationship, etc. This mode has numerous advantages, such as sensitive, universal and fast, and flexible and compatible; especially, its robustness against bad data is highlighted.

研究动机与目标

• 解决经典确定性指标在规模和复杂性迅速增长的现代复杂电力系统中的局限性。
• 克服传统状态感知方法对详细系统模型、拓扑结构和控制机制的依赖。
• 开发一种通用、快速且鲁棒的统计框架，用于实时状态感知，且对缺失或不准确的系统数据不敏感。
• 通过测量数据特征值分布中的统计模式，实现对系统异常的敏感检测，而无需预先了解物理系统动态。

提出的方法

• 基于电力系统测量数据协方差矩阵导出的线性特征值统计（LESs）构建指标集合。
• 应用随机矩阵理论（RMT）对正常运行条件下LESs的统计行为进行建模，建立参考分布。
• 利用RMT框架通过将观测到的LESs与理论特征值分布进行比较，检测正常行为的偏离。
• 实施三维功率图可视化，将LES-based统计指标在系统中空间化表示，以实现直观的状态感知。
• 设计方法为纯统计方法，消除对系统拓扑、设备模型或因果关系的依赖。
• 通过LES集合中基于特征值的统计特性，提升对不良数据的鲁棒性。

实验结果

研究问题

• RQ1 线性特征值统计（LESs）是否可作为无需依赖系统模型的通用且鲁棒的电力系统状态感知指标集合？
• RQ2 随机矩阵模型（RMM）在多大程度上能准确表征正常条件下电力系统测量数据的统计行为？
• RQ3 与经典确定性指标相比，LES-based集合在灵敏度和检测速度方面提升程度如何？
• RQ4 三维功率图如何通过在网络中可视化统计异常，提升状态感知能力？
• RQ5 在实时监控场景中，LES集合对不良或损坏数据的鲁棒性如何？

主要发现

• LES集合通过纯统计过程实现状态感知，无需依赖系统拓扑、控制模型或因果关系。
• 由于测量数据协方差矩阵中特征值的统计特性，该方法对系统偏差表现出高度敏感性。
• 对不良数据的鲁棒性显著增强，因为基于特征值的统计量在数据污染下具有固有的稳定性。
• 三维功率图提供了统计指标的空间直观可视化，提升了运行人员对系统整体状态的理解。
• 该方法具有通用性和高效性，适用于无需预先建模的大型电力系统实时监控。
• 随机矩阵理论的整合为正常系统行为提供了理论基础参考模型，从而实现可靠的异常检测。