[论文解读] Robust Power System Dynamic State Estimator with Non-Gaussian Measurement Noise: Part II--Implementation and Results

Junbo Zhao, Lamine Mili|arXiv (Cornell University)|Mar 14, 2017

Power System Optimization and Stability参考文献 8被引用 3

一句话总结

该论文提出了一种广义最大似然型鲁棒无迹卡尔曼滤波器（GM-UKF），用于在非高斯噪声和系统应力条件下进行电力系统动态状态估计。该方法系统地调节滤波器参数，并通过IEEE 39节点系统仿真表明，GM-UKF在拉普拉斯/柯西噪声、异常值、通信中断、网络攻击以及强非线性条件下，相较于UKF和GM-IEKF，在收敛性、统计效率和鲁棒性方面表现更优。

ABSTRACT

This paper is the second of a two-part series that discusses the implementation issues and test results of a robust Unscented Kalman Filter (UKF) for power system dynamic state estimation with non-Gaussian synchrophasor measurement noise. The tuning of the parameters of our Generalized Maximum-Likelihood-type robust UKF (GM-UKF) is presented and discussed in a systematic way. Using simulations carried out on the IEEE 39-bus system, its performance is evaluated under different scenarios, including i) the occurrence of two different types of noises following thick-tailed distributions, namely the Laplace or Cauchy probability distributions for real and reactive power measurements; ii) the occurrence of observation and innovation outliers; iii) the occurrence of PMU measurement losses due to communication failures; iv) cyber attacks; and v) strong system nonlinearities. It is also compared to the UKF and the Generalized Maximum-Likelihood-type robust iterated EKF (GM-IEKF). Simulation results reveal that the GM-UKF outperforms the GM-IEKF and the UKF in all scenarios considered. In particular, when the system is operating under stressed conditions, inducing system nonlinearities, the GM-IEKF and the UKF diverge while our GM-UKF does converge. In addition, when the power measurement noises obey a Cauchy distribution, our GM-UKF converges to a state estimate vector that exhibits a much higher statistical efficiency than that of the GM-IEKF; by contrast, the UKF fails to converge. Finally, potential applications and future work of the proposed GM-UKF are discussed in concluding remarks section.

研究动机与目标

• 解决传统卡尔曼滤波器在过程和测量噪声为非高斯分布时，于电力系统动态状态估计中的局限性。
• 克服现有鲁棒滤波器（如GM-IEKF）在重尾噪声和系统非线性条件下收敛性差和统计效率低的问题。
• 开发一种鲁棒且高效率的动态状态估计算法，在实际系统扰动（如异常值、通信中断和网络攻击）下仍能保持稳定性和准确性。
• 为所提出的鲁棒UKF提供系统化的参数调节框架，以确保其在实时电力系统监测中的实际应用。
• 在IEEE 39节点系统上，通过多种运行场景验证所提出的GM-UKF的鲁棒性和高效性。

提出的方法

• 采用广义最大似然型鲁棒框架，以处理非高斯测量噪声，特别是拉普拉斯分布和柯西分布。
• 在无迹卡尔曼滤波器（UKF）中引入Huber型M-估计函数，以降低对异常值的敏感性并提升统计效率。
• 在状态估计过程中集成投影统计方法，实现鲁棒的初始化和异常值检测。
• 利用标准化残差和影响函数，评估在污染和模型不确定性条件下的偏差-方差鲁棒性。
• 应用系统化的GM-UKF参数调节程序，包括基于渐近效率和破缺点分析选择调节常数。
• 利用无迹变换，更准确地捕捉非线性状态转移过程，尤其在强系统非线性条件下优于基于EKF的方法。

实验结果

研究问题

• RQ1 与标准UKF和GM-IEKF相比，所提出的GM-UKF在重尾测量噪声（拉普拉斯分布和柯西分布）下的表现如何？
• RQ2 当受到观测异常值和创新异常值（包括由模型误差引起的异常值）影响时，GM-UKF能否保持收敛性和准确性？
• RQ3 GM-UKF在因通信故障导致PMU测量间歇性丢失时，如何处理动态状态估计？
• RQ4 GM-UKF对篡改或注入虚假测量的网络攻击具有何种抗御能力？
• RQ5 在UKF和GM-IEKF发生发散的强系统非线性条件下，GM-UKF是否仍能保持高统计效率和收敛性？

主要发现

• 在UKF和GM-IEKF均发散的强系统非线性条件下，GM-UKF仍能实现收敛，展现出更优的稳定性。
• 在柯西分布测量噪声下，GM-UKF的统计效率显著高于GM-IEKF，而UKF则无法收敛。
• GM-UKF表现出有限的偏差和方差鲁棒性，其破缺点可确保在污染达到一定阈值时仍保持稳定。
• 即使因通信故障导致PMU测量间歇性丢失，该滤波器仍能保持高精度和收敛性。
• 在所有测试场景（包括网络攻击和重尾噪声）中，GM-UKF均优于UKF和GM-IEKF，归因于其鲁棒的参数调节机制和高统计效率。
• 标准化残差分析表明，GM-UKF在污染条件下的渐近方差保持有界，验证了其鲁棒性特性。