[论文解读] Matrix Completion for Low-Observability Voltage Estimation

Donti, Priya L., Liu, Yajing+4 more|arXiv (Cornell University)|Jan 29, 2018

Sparse and Compressive Sensing Techniques参考文献 24被引用 6

一句话总结

本文提出了一种基于矩阵补全的配电网状态估计方法，利用低秩结构和抗噪声的潮流约束，在传统最小二乘法失效的低可观测性条件下，对电压相量进行估计。该方法在仅10%测量可用的情况下仍能达到接近完美的精度（平均绝对百分比误差在1%以内），展现出对数据丢失和低噪声水平的强鲁棒性。

ABSTRACT

With the rising penetration of distributed energy resources, distribution system control and enabling techniques such as state estimation have become essential to distribution system operation. However, traditional state estimation techniques have difficulty coping with the low-observability conditions often present on the distribution system due to the paucity of sensors and heterogeneity of measurements. To address these limitations, we propose a distribution system state estimation algorithm that employs matrix completion (a tool for estimating missing values in low-rank matrices) augmented with noise-resilient power flow constraints. This method operates under low-observability conditions where standard least-squares-based methods cannot operate, and flexibly incorporates any network quantities measured in the field. We empirically evaluate our method on the IEEE 33- and 123-bus test systems, and find that it provides near-perfect state estimation performance (within 1\% mean absolute percent error) across many low-observability data availability regimes.

研究动机与目标

• 解决由于测量稀疏且不可靠而导致的配电网状态估计中低可观测性问题。
• 开发一种在标准最小二乘估计器因系统欠定（m < n）而失效时仍能有效运行的方法。
• 构建一个灵活的框架，可整合任意可用的现场测量数据，而无需特定测量类型。
• 确保对实际配电网中常见的测量噪声和动态数据丢失具有鲁棒性。
• 实现仅使用单个时间实例数据的单次状态估计，避免对长时序窗口数据的依赖。

提出的方法

• 该方法构建一个结构化数据矩阵，其中行代表测量母线，列代表测量类型（例如，电压幅值、功率）。
• 应用低秩矩阵补全方法，在假设底层电压状态矩阵为低秩的前提下，估计缺失的电压相量值。
• 通过近似线性潮流方程对矩阵补全过程施加约束，以保证物理一致性并提升抗噪声能力。
• 算法直接估计电压相量的实部和虚部，角度估计值由此两部分推导得出。
• 该公式结合了测量噪声模型，并采用约束优化方法在数据保真度与物理合理性之间取得平衡。
• 该方法在IEEE 33-和123-bus系统上进行了评估，覆盖不同数据可用性、噪声水平及动态测量丢失场景。

实验结果

研究问题

• RQ1 结合物理约束的矩阵补全能否在传统方法失效的低可观测性配电网中实现准确的电压状态估计？
• RQ2 在测量可用性变化（包括低至10%）的情况下，该方法表现如何？
• RQ3 在时间序列运行中，该方法对测量噪声和随机数据丢失的鲁棒性达到何种程度？
• RQ4 与无约束的矩阵补全相比，引入物理潮流约束在多大程度上提升了估计精度？
• RQ5 该方法能否仅使用单个时间实例的数据实现高精度估计，而无需依赖长历史数据窗口？

主要发现

• 当10%或以上潜在已知量被测量时，电压幅值估计的平均绝对百分比误差（MAPE）低于1%。
• 即使未测量任何潜在已知量，电压幅值的MAPE仍低于2.6%。
• 对于电压相位角估计，在1%测量噪声下，平均绝对误差（MAE）最大为1.75度；当无测量但噪声较低（0.2%）时，MAE降至1度以下。
• 在30%数据可用性条件下，两小时时间序列中80%的时间步电压幅值MAPE在1%以内，99%的时间步在1.5%以内。
• 在50%或70%数据可用性下，所有时间步的电压幅值MAPE均保持在1%以内。
• 该方法对动态测量丢失表现出强鲁棒性，在20%可用测量被随机丢失的情况下，MAPE仍低于1.2%。