[论文解读] Networked Synthetic Dynamic PMU Data Generation: A Generative Adversarial Network Approach
本文提出了一种基于生成对抗网络（GAN）的方法，可直接合成反映真实机电动态并遵守基尔霍夫定律的多个联网相量测量单元（PMU）数据流。该方法基于历史测量数据直接生成同步的多母线PMU数据，无需依赖电力系统仿真，已在39母线和200母线系统中展示了高统计和动态保真度。
This paper introduces a machine learning-based approach to synthetically create multiple phasor measurement unit (PMU) data streams at different buses in a power system. In contrast to the existing literature of creating synthetic power grid network and then using simulation software to output synthetic PMU data, we propose a generative adversarial network (GAN) based approach to synthesize multiple PMU measurement streams directly from historical data. The proposed method can simultaneously create multiple PMU measurement streams that reflect practically meaningful electromechanical dynamics which observe the Kirchhoff's laws. We further validate the synthetic data via the statistical resemblance and the modal analysis. The efficacy of this new approach is demonstrated by numerical studies on a 39-bus system and a 200-bus system.
研究动机与目标
- 生成反映电力系统中真实机电动态的合成多母线PMU数据流。
- 克服现有方法在合成网络创建后依赖电力系统仿真所导致的局限性。
- 确保生成的数据遵守电力系统基本定律，如基尔霍夫电流定律和电压定律。
- 通过统计相似性与模态分析技术验证合成数据的质量。
- 在大型系统（包括200母线测试案例）中展示该方法的可扩展性与保真度。
提出的方法
- 直接在历史PMU测量数据上训练生成对抗网络（GAN），以学习多母线相量数据的底层分布。
- 生成器网络同时在多个母线生成合成PMU数据流，保留母线间的依赖关系。
- 判别器网络用于区分真实历史PMU数据与生成的合成数据，以确保统计上的真实性。
- 通过网络架构或损失函数约束，在训练过程中强制生成数据符合基尔霍夫定律，确保物理一致性。
- 该方法无需电力系统网络建模与动态仿真，可直接从历史测量数据合成同步相量测量值。
- 通过统计相似性指标与模态分析对方法进行评估，以验证其动态保真度。
实验结果
研究问题
- RQ1基于GAN的方法能否生成反映电力系统中真实机电动态的多个同步PMU数据流？
- RQ2合成数据在多大程度上保留了真实历史PMU测量的统计特性？
- RQ3在多母线网络背景下，生成的数据流在多大程度上满足基尔霍夫定律？
- RQ4所提出的方法在大型电力系统（如200母线系统）中是否具备可扩展性，同时保持数据质量？
- RQ5与真实PMU数据相比，合成数据在模态分析中的表现如何？
主要发现
- 所提出的基于GAN的方法成功生成了反映真实机电动态的多个同步PMU数据流。
- 通过对比统计分析验证，合成数据与真实历史PMU数据具有强烈的统计相似性。
- 模态分析表明，合成数据保留了真实PMU测量中关键的振荡模式。
- 生成的数据流满足基尔霍夫定律，确保了网络化系统中的物理合理性。
- 该方法在39母线和200母线测试系统中均表现出良好的可扩展性与鲁棒性。
- 该方法消除了对独立电力系统建模与仿真的依赖，实现了从历史测量数据直接生成数据。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。