[论文解读] Sparse Recovery from Nonlinear Measurements with Applications in Bad Data Detection for Power Networks

Weiyu Xu, Meng Wang+2 more|arXiv (Cornell University)|Dec 29, 2011

Sparse and Compressive Sensing Techniques参考文献 24被引用 21

一句话总结

本文提出一种基于混合 ℓ₁ 和 ℓ₂ 范数的迭代凸优化方法，用于从电力网络中的非线性测量中恢复稀疏状态，实现对稀疏大误差和加性噪声下坏数据的鲁棒检测。主要贡献在于通过局部线性化方法，为非线性测量提供了理论收敛保证，并提出了子空间几乎欧几里得性质的新界，该结果通过半定规划和仿真得到验证，表明其性能优于现有方法。

ABSTRACT

In this paper, we consider the problem of sparse recovery from nonlinear measurements, which has applications in state estimation and bad data detection for power networks. An iterative mixed $\ell_1$ and $\ell_2$ convex program is used to estimate the true state by locally linearizing the nonlinear measurements. When the measurements are linear, through using the almost Euclidean property for a linear subspace, we derive a new performance bound for the state estimation error under sparse bad data and additive observation noise. As a byproduct, in this paper we provide sharp bounds on the almost Euclidean property of a linear subspace, using the "escape-through-the-mesh" theorem from geometric functional analysis. When the measurements are nonlinear, we give conditions under which the solution of the iterative algorithm converges to the true state even though the locally linearized measurements may not be the actual nonlinear measurements. We numerically evaluate our iterative convex programming approach to perform bad data detections in nonlinear electrical power networks problems. We are able to use semidefinite programming to verify the conditions for convergence of the proposed iterative sparse recovery algorithms from nonlinear measurements.

研究动机与目标

• 解决智能电网系统中常见稀疏坏数据和加性噪声污染下的状态估计问题。
• 开发一种适用于非线性测量的鲁棒稀疏恢复算法，将线性压缩感知推广至非线性系统。
• 建立在存在非线性和稀疏误差条件下，迭代凸优化方法收敛至真实状态的理论条件。
• 利用几何泛函分析（特别是“穿过网格逃逸”定理）推导更紧致的估计误差性能界。
• 通过数值仿真和半定规划验证收敛条件，对方法进行实证评估。

提出的方法

• 采用迭代算法在当前估计值附近对非线性测量进行局部线性化，从而应用凸优化技术。
• 构建混合 ℓ₁ 和 ℓ₂ 的凸规划模型，以同时抑制加性噪声并检测稀疏坏数据。
• 该方法依赖于测量子空间的几乎欧几里得性质，通过“穿过网格逃逸”定理量化该性质，进而推导性能界。
• 对于非线性情形，基于局部雅可比近似条件分析收敛性，若算法进入真实状态的足够小邻域，则可保证收敛。
• 采用半定规划在实际中验证收敛条件，特别是对局部线性化与真实雅可比矩阵之间偏差的上界估计。
• 算法以稀疏估计初始化，并在每一步迭代中逐步优化，同时监控相对误差直至收敛。

实验结果

研究问题

• RQ1 在存在稀疏坏数据的非线性测量中，迭代凸优化方法在何种条件下能收敛至真实状态？
• RQ2 如何利用几何泛函分析更紧密地界定线性子空间的几乎欧几里得性质？
• RQ3 在非线性系统中，面对稀疏坏数据和加性高斯噪声，状态估计误差的性能界可如何推导？
• RQ4 与已知坏数据位置的WLS方法或ĥb检验相比，所提方法在精度上表现如何？
• RQ5 能否利用半定规划验证非线性稀疏恢复算法的收敛条件？

主要发现

• 在线性测量情况下，当 ρ = 0.02 且 σ = 0 时，即使缺乏完美收敛保证，该方法仍可实现 0.018 的相对估计误差，表明对稀疏误差具有鲁棒性。
• 在 σ = 0 的仿真中，迭代算法在七次迭代内将相对误差从初始值 0.2447 降低至 3×10⁻⁸，表现出快速收敛特性。
• 所提方法在估计精度上优于 ĥb 检验，在 ρ = 0.02 条件下，200 次运行的平均相对误差更低。
• 对于非线性测量，当局部雅可比偏差被限制在 ε = 10⁻³ 以内时，若坏数据条目数不超过 7 个，该方法可保证收敛，且 ℓ₁/ℓ₂ 比值条件的下界 C ≥ 1.1222。
• 理论收敛条件较为保守；仿真结果表明实际收敛区域比分析预测更广。
• 使用“穿过网格逃逸”定理可显著收紧对子空间几乎欧几里得性质的界，优于以往分析。