Missing Data Recovery in Large Power Systems Using Network Embedding
Missing Data Recovery in Large Power Systems Using Network Embedding
复制标题
使用网络嵌入恢复大型电力系统中的丢失数据
DOI：
10.1109/tsg.2020.3014813
复制
发表时间：
2021-01
影响因子：
9.6
通讯作者：
Huanle Xu
中科院分区：
文献类型：
--
作者：
Tong Wu;Ying-Jun Angela Zhang;Yang Liu;Wing Cheong Lau;Huanle Xu
提出了一种基于网络嵌入的电力系统失测恢复方法。特别是，我们首先构建的空间和时间图来描述在潮流网络中的总线之间的空间相关性和总线状态在不同的时间的时间相关性。其次，我们提出了一个Softwork算法来映射的空间和时间的图形到低维时空特征。然后，我们训练一个回归神经网络使用的时空特征对和观察到的矩阵元素。然后，经过训练的网络可以预测丢失的测量值。此外，所提出的丢失数据恢复算法可以扩展到在线版本，以恢复丢失的测量从流数据收集在电力系统中的真实的时间。实际电力系统的数值实验验证了该方法的有效性。特别地，所提出的方法对于电压幅度矩阵的随机、行、列和块缺失模式分别实现（平均）-55.36 dB、-42.06 dB、-53.26 dB和-45.32 dB的相对恢复误差（RRE），这比现有方法实现的相对恢复误差小得多。
This paper proposes a novel network-embedding based method to recover the missing measurements in power systems. In particular, we first construct the spatial and temporal graphs to describe both the spatial correlation among the buses in a power flow network and the temporal correlation of the bus states over different time. Secondly, we propose a Softwork algorithm to map the spatial and temporal graphs to low-dimensional spatiotemporal features. Then, we train a regression neural network using the pairs of spatiotemporal features and observed matrix entries. The trained network can then predict the missing measurements. Furthermore, the proposed missing data recovery algorithm can be extended to an online version to recover the missing measurements from streaming data collected in power systems in real time. Numerical experiments on real-world power systems verify the effectiveness of the proposed method. In particular, the proposed method achieves (on average) −55.36 dB, −42.06 dB, −53.26 dB and −45.32 dB relative recovery errors (RREs) for random, row, column and block missing patterns of the voltage magnitude matrix, respectively, which are much smaller than those achieved by the existing methods.
登录
查看更多内容
DOI：
10.1145/2939672.2939754
发表时间：
2016-08
期刊：
KDD : proceedings. International Conference on Knowledge Discovery & Data Mining
影响因子：
--
作者：
Grover A;Leskovec J
通讯作者：
Leskovec J
影响因子：
5.4
作者：
Pengzhi Gao;Meng Wang;J. Chow;M. Berger;Lee M. Seversky
通讯作者：
Pengzhi Gao;Meng Wang;J. Chow;M. Berger;Lee M. Seversky
DOI：
10.5555/1756006.1859920
发表时间：
2009-06
期刊：
J. Mach. Learn. Res.
影响因子：
--
作者：
Raghunandan H. Keshavan;A. Montanari;Sewoong Oh
通讯作者：
Raghunandan H. Keshavan;A. Montanari;Sewoong Oh
DOI：
--
发表时间：
2014-06
期刊：
--
影响因子：
--
作者：
Z. Wang;M. Lai;Zhaosong Lu;Wei Fan;H. Davulcu;Jieping Ye
通讯作者：
Z. Wang;M. Lai;Zhaosong Lu;Wei Fan;H. Davulcu;Jieping Ye
影响因子：
6.6
作者：
Rubén J. Sánchez-García;Max Fennelly;S. Norris;N. Wright;Graham A. Niblo;J. Brodzki;J. Bialek
通讯作者：
Rubén J. Sánchez-García;Max Fennelly;S. Norris;N. Wright;Graham A. Niblo;J. Brodzki;J. Bialek