Bayesian High-Rank Hankel Matrix Completion for Nonlinear Synchrophasor Data Recovery
Bayesian High-Rank Hankel Matrix Completion for Nonlinear Synchrophasor Data Recovery
复制标题
用于非线性同步相量数据恢复的贝叶斯高阶 Hankel 矩阵补全
DOI：
10.1109/tpwrs.2023.3254909
复制
发表时间：
2023
影响因子：
6.6
通讯作者：
Zhao, Dongbo
中科院分区：
文献类型：
--
作者：
Yi, Ming;Wang, Meng;Hong, Tianqi;Zhao, Dongbo
相量测量单元 (PMU) 为电力系统监测和控制提供高时间分辨率同步相量测量。频繁的数据质量问题（例如数据丢失和损坏）阻碍了同步相量数据在实时操作中的结合。大多数现有的数据驱动数据恢复方法都假设电力系统动态可以用线性动态系统来近似，当电力系统在重大事件期间经历非线性动态时，恢复性能会显着下降。本文提出了一种数据驱动的贝叶斯非线性同步相量数据恢复方法（Ba-NSDR），即使底层系统是高度非线性的，该方法也可以恢复所有通道上连续时间段内同时发生的数据丢失或错误。这个想法是将时空同步相量数据的汉克尔矩阵提升到更高的维度，使得提升的汉克尔矩阵在该空间中是低秩的，并且可以使用核技巧进行处理。然后，我们提出的贝叶斯方法从部分观测值推断同步相量的概率分布。 Ba-NSDR 的一些显着特征包括用于衡量恢复结果准确性的不确定性指数以及参数选择的稳健性。我们的方法在合成和记录的事件数据集上得到了验证。
Phasor measurement units (PMUs) provide high temporal-resolution synchrophasor measurements for power system monitoring and control. The frequent data quality issues, such as missing and bad data, prevent the incorporation of synchrophasor data in real-time operations. Most existing data-driven data recovery methods assume the power system dynamics can be approximated by a linear dynamical system, and the recovery performance degrades significantly when the power system is experiencing nonlinear dynamics during significant events. This paper proposes a data-driven Bayesian nonlinear synchrophasor data recovery method (Ba-NSDR) that can recover a consecutive time period of simultaneous data losses or errors across all channels, even when the underlying system is highly nonlinear. The idea is to lift the Hankel matrix of the spatial-temporal synchrophasor data to a higher dimension such that the lifted Hankel matrix is low-rank in that space and can be processed with the kernel trick. Our proposed Bayesian method then infers the probabilistic distributions of synchrophasor from the partial observations. Some distinctive features of Ba-NSDR include an uncertainty index to measure the accuracy of the recovery result and the robustness to parameter selections. Our method is verified on both synthetic and recorded event datasets.
登录
查看更多内容
使用 Auto ML 提高黑色素瘤诊断系统的性能
DOI：
--
发表时间：
2023
期刊：
影响因子：
--
作者：
Inoue Manabu;Yoshimoto Takeshi;Tanaka Kanta;Koge Junpei;Shiozawa Masayuki;Nishii Tatsuya;Ohta Yasutoshi;Fukuda Tetsuya;Satow Tetsu;Kataoka Hiroharu;Yamagami Hiroshi;Ihara Masafumi;Koga Masatoshi;Mlynash Michael;Albers Gregory W.;Toyoda Kazunori;正木達也・北畠直人・飛塚丈輝・花崎和寿・張 維倫・永岡 隆
通讯作者：
正木達也・北畠直人・飛塚丈輝・花崎和寿・張 維倫・永岡 隆
影响因子：
6.6
作者：
Tong Huang;Bharadwaj Satchidanandan;P. Kumar;Le Xie
通讯作者：
Tong Huang;Bharadwaj Satchidanandan;P. Kumar;Le Xie
通过矩阵分解识别电力系统中连续的“不可观察”网络数据攻击
影响因子：
5.4
作者：
Pengzhi Gao;Meng Wang;J. Chow;Scott G. Ghiocel;B. Fardanesh;G. Stefopoulos;Michael P. Razanousky
通讯作者：
Michael P. Razanousky
影响因子：
3.9
作者：
Kursat Rasim Mestav;L. Tong
通讯作者：
Kursat Rasim Mestav;L. Tong
DOI：
10.1109/tim.2013.2278595
发表时间：
2014-02
影响因子：
5.6
作者：
F. Aminifar;M. Shahidehpour;M. Fotuhi‐Firuzabad;S. Kamalinia
通讯作者：
F. Aminifar;M. Shahidehpour;M. Fotuhi‐Firuzabad;S. Kamalinia