[论文解读] PMU Placement for Line Outage Identification via Multiclass Logistic Regression

Taedong Kim, Stephen J. Wright|arXiv (Cornell University)|Sep 12, 2014

Power System Optimization and Stability参考文献 11被引用 6

一句话总结

本文提出一种基于相量测量单元（PMU）测量的电压相量变化训练的多类逻辑回归（MLR）模型，用于识别电力系统中的单线故障。通过在仅25%的母线节点上采用贪心启发式PMU布点策略，该方法实现了近乎完美的故障识别性能——在118节点系统中仅使用14个PMU即可达到超过99%的准确率，证明稀疏PMU部署可实现与全系统可观测性相当的故障检测能力。

ABSTRACT

We consider the problem of identifying a single line outage in a power grid by using data from phasor measurement units (PMUs). When a line outage occurs, the voltage phasor of each bus node changes in response to the change in network topology. Each individual line outage has a consistent "signature," and a multiclass logistic regression (MLR) classifier can be trained to distinguish between these signatures reliably. We consider first the ideal case in which PMUs are attached to every bus, but phasor data alone is used to detect outage signatures. We then describe techniques for placing PMUs selectively on a subset of buses, with the subset being chosen to allow discrimination between as many outage events as possible. We also discuss extensions of the MLR technique that incorporate explicit information about identification of outages by PMUs measuring line current flow in or out of a bus. Experimental results with synthetic 24-hour demand profile data generated for 14, 30, 57 and 118-bus systems are presented.

研究动机与目标

• 开发一种利用同步PMU测量数据可靠识别电力系统中单线故障的方法。
• 解决在大型输电网中实现最优PMU布点的挑战，以在资源有限的情况下最大化故障检测能力。
• 通过将故障特征差异识别作为主要优化准则，改进现有PMU布点策略。
• 证明稀疏PMU部署（最低至25%母线）可实现接近全系统可观测性的线路故障检测能力。
• 提供一种实用且可扩展的实时故障识别解决方案，结合凸优化与启发式PMU位置选择。

提出的方法

• 基于合成24小时负荷曲线训练多类逻辑回归（MLR）分类器，以学习每种单线故障场景下独特的电压相量特征。
• 将PMU布点问题建模为带组LASSO惩罚的正则化MLR优化问题，以促进稀疏性并选择关键测量母线。
• 应用贪心启发式方法，迭代选择在投影测量空间中使不同故障类别特征间最小距离最大化的PMU位置。
• 利用凸优化技术高效训练MLR模型，结合完整的交流潮流模型以实现精确的系统建模。
• 将线路电流测量集成到MLR框架中，以增强特征差异识别能力，提升检测鲁棒性。
• 在IEEE 14、30、57和118节点系统上，在真实负荷条件下评估性能，比较全系统与部分PMU部署的效果。

实验结果

研究问题

• RQ1 多类逻辑回归能否有效利用PMU数据区分不同单线故障的电压相量特征？
• RQ2 在大型电力系统中，实现高精度线路故障识别所需的最少PMU数量是多少？
• RQ3 PMU布点策略如何影响基于MLR的故障检测系统的分类性能？
• RQ4 稀疏PMU部署（如仅25%母线）在多大程度上可维持与全系统仪器化相当的检测准确率？
• RQ5 不同启发式策略（贪心法与Group LASSO）在选择最优PMU位置用于故障识别方面表现如何比较？

主要发现

• 在118节点系统中仅使用14个PMU，贪心启发式方法在置信度≥0.9的条件下实现了99.3%的故障正确识别概率。
• 在57节点系统中，仅需15个PMU位置即可实现98.3%的故障识别准确率（置信度≥0.9），较Group LASSO方法高出5%以上。
• 仅需6个PMU位置即可识别90%的故障事件，且置信度较高（≥0.9），表明在极低仪器化程度下仍具优异性能。
• 在所有测试系统中，贪心启发式方法在PMU选择质量与分类准确率方面均持续优于Group LASSO启发式方法。
• 在约25%母线布点的条件下，检测性能几乎与全系统仪器化无异，多数情况下检测准确率超过99%。
• 在14节点系统中，使用贪心启发式方法且τ=5×10⁻³时，仅需3个PMU即可实现100%的故障识别准确率。