电力系统|基于分布式高斯-牛顿方法结合置信传播 (BP) 的概率推理方法的非线性状态估计 (SE) 模型（Matlab代码实现）

本文链接：https://blog.csdn.net/weixin_61181717/article/details/127964848

💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥

📋📋📋本文目录如下：⛳️⛳️⛳️

目录

1 概述

2 数学模型

3 算例仿真

4 结论

1 概述

电力系统由分布在广泛地理区域的发电、输电和消费组成。它们由电力系统操作员从控制中心操作。维持正常的运行条件对于电力系统运营商来说至关重要 [1]。控制中心传统上以集中和独立的方式运行。然而，系统规模和复杂性的增加以及外部社会经济因素导致电力系统放松管制，导致分布式控制中心的分散结构。跨分布式控制中心的控制和监控合作对于高效的系统运行至关重要。因此，必须根据分布式操作、可扩展性和计算效率的新要求重新定义现有的集中式算法。

本文介绍一种新的分布式高斯-牛顿方法，用于基于称为置信传播 (BP) 的概率推理方法的非线性状态估计 (SE) 模型。我们工作的主要新颖性来自于在 SE 模型的一系列线性近似上顺序应用 BP，类似于 Gauss-Newton 方法所做的。由此产生的迭代高斯-牛顿信念传播 (GN-BP) 算法可以解释为具有与集中式 SE 相同精度的分布式高斯-牛顿方法，但是，它引入了 BP 框架的许多优点。本文对 GN-BP 算法进行了广泛的数值研究，提供了有关其收敛行为的详细信息。

GN-BP 是第一个基于 BP 的非线性 SE 模型解决方案，通过 Gauss-Newton 方法实现了与集中式 SE 完全相同的精度。

• 与利用矩阵分解的分布式 SE 算法相比，GN-BP 对由测量方差之间的显着差异引起的病态场景具有鲁棒性，因此允许包含任意数量的伪测量而不影响可观察到的解岛屿。

• 由于底层因子图的稀疏性，GN-BP 算法具有最优的计算复杂度（每次迭代线性），使其特别适用于求解大规模系统。

• GN-BP 可以很容易地设计为提供异步操作，并集成为实时系统的一部分，其中一旦收到新到达的测量值就会立即处理[23]。

• GN-BP 可以轻松集成新的测量：测量到达控制中心将定义一个新的因素节点，该节点将作为时间连续过程的一部分无缝集成到图表中。

• 在多区域场景中，GN-BP 算法可以在没有中央协调器的非重叠多区域 SE 场景中实现，其中 GN-BP 算法既不需要交换测量值，也不需要相邻区域之间的本地网络拓扑。

• GN-BP 算法灵活且易于分布和并行化。因此，即使在集中式 SE 的框架中实现，它也可以灵活地匹配分布式计算资源（例如，图形处理单元上的并行处理）

2 数学模型

$\mathcal{N}\left(z_{i} \mid \mathbf{x}, v_{i}\right)=\frac{1}{\sqrt{2 \pi v_{i}}} \exp \left\{\frac{\left[z_{i}-h_{i}(\mathbf{x})\right]^{2}}{2 v_{i}}\right\}$

$\hat{\mathbf{x}}=\arg \max _{\mathbf{x}} \mathcal{L}(\mathbf{z} \mid \mathbf{x})=\arg \max _{\mathbf{x}} \prod_{i=1}^{k} \mathcal{N}\left(z_{i} \mid \mathbf{x}, v_{i}\right)$

$\min _{\Delta \mathbf{x}^{(\nu)}}\left\|\mathbf{W}^{1 / 2}\left[\mathbf{r}\left(\mathbf{x}^{(\nu)}\right)-\mathbf{J}\left(\mathbf{x}^{(\nu)}\right) \Delta \mathbf{x}^{(\nu)}\right]\right\|_{2}^{2}$

详细数学模型见第4部分。

3 算例仿真

4 结论

在本文中，作者Mirsad Cosovic提出了一种新颖的 GN-BP 算法，它是一种高效且准确的基于 BP 的迭代 Gauss-Newton 方法的实现。 GN-BP 可以在多区域 SE 的上下文中高度并行化和灵活分布。在我们正在进行的工作中，我们正在研究 GN-BP 在异步、动态和实时 SE 中的在线不良数据检测，并得到未来 5G 通信基础设施的支持。