Perkiraan Gauss Berbasis Point Didistribusikan Pemfilteran untuk Status Bantuan Perkiraan Estimasi

dalam Sistem Tenaga

Abstrak — Makalah ini mengusulkan kerangka kerja terdistribusi baru untuk perkiraan keadaan
berbantuan peramalan dalam sistem tenaga listrik, dimodelkan oleh sistem dinamis nonlinear. Kami
pertama kali memperkenalkan pointbased Filter aproksimasi Gaussian yang menggunakan
aproksimasi Gaussian dan berbagai aturan kuadratur untuk menghitung yang terkait posisi luar.
Filter ini memiliki akurasi pelacakan yang lebih tinggi untuk nonlinear sistem dibandingkan dengan
metode konvensional, mis. Diperpanjang Filter kalman (EKF). Kemudian, dimotivasi oleh
meningkatnya permintaan untuk pemantauan area luas, kami mengembangkan versi terdistribusi
dari filter aproksimasi Gaussian berbasis titik, berdasarkan statistik linierisasi. Dalam estimasi status
terdistribusi, masing-masing sub-stasiun hanya dapat mengakses pengukuran lokal mereka. Dengan
tidak adanya pusat kontrol, algoritma konsensus rata-rata diterapkan seperti itu bahwa sub-stasiun
dapat mempertahankan keadaan global melalui informasi bertukar dengan tetangga.

Kata Kunci — Konsensus rata-rata, algoritma terdistribusi, Filter aproksimasi Gaussian, sistem
dinamis nonlinear, aturan kuadratur, estimasi keadaan, linierisasi statistik.

I. PENDAHULUAN

Estimasi status sistem daya adalah modul vital dari pengawasan sistem kontrol dan akuisisi data
(SCADA) untuk operasi jaringan listrik. Secara umum, penaksir keadaan bisa diklasifikasikan menjadi
dua keluarga. Yang pertama berada di bawah nonlinier masalah least-square (LS), untuk yang iterasi
Gauss-Newton diketahui menawarkan solusi "kuda-kerja" [1], [2]. Saya t memanfaatkan snapshot
tunggal pembacaan meter tanpa akuntansi untuk transisi status sistem dari waktu ke waktu. Di sisi
lain Sebaliknya, estimasi keadaan berbantuan perkiraan (FASE) mempekerjakan sebuah model state-
space untuk mengkarakterisasi dinamika quasi-stable negara sistem, dengan demikian dapat
melacak evolusi negara Pemfilteran Kalman secara online [3]. Tinjauan estimasi negara dalam sistem
tenaga dapat ditemukan di [1] dan referensi di sana.

A. Pekerjaan Terkait

Masalah FASE dalam jaringan listrik ditandai oleh sebuah model transisi keadaan ditambah dengan
fungsi pengukuran. Meskipun transisi negara dapat kira-kira dimodelkan sebagai linier dengan
asumsi quasi-stable, pengukuran aliran daya pada dasarnya adalah fungsi nonlinier dari status sistem
parameter. Secara tradisional, upaya penelitian pada FASE nonlinear terutama berfokus pada
linierisasi analitik negara fungsi transisi dan pengukuran pada waktu tertentu, mengarah ke
pekerjaan luas dari Kalman yang diperluas filter (EKF) [3] - [8]. Namun, perkiraan linier bisa terlalu
kasar untuk memuaskan [9].

Paradigma yang berbeda untuk melacak sistem dinamis nonlinear didasarkan pada teknik
penyaringan berbasis titik, yang melibatkan secara numerik mengintegrasikan fungsi nonlinear
dengan menggunakan satu set deterministik poin. Dibandingkan dengan integrasi numerik Monte
Carlo yang bergantung pada poin yang dihasilkan secara acak, deterministik metode berbasis titik
menghadirkan kompleksitas komputasi yang lebih rendah dengan akurasi tinggi. Secara khusus, filter
Kalman tanpa wewangian (UKF) dianalisis dalam [9] - [11]. Khususnya, hasil simulasi diberikan oleh
[10] menunjukkan bahwa UKF mengungguli EKF sangat tanpa meningkatkan kompleksitas
komputasi.

Selain itu, pemantauan area luas semakin meningkat populer di sistem tenaga modern.
Dalam skenario seperti itu, menerapkan algoritma terpusat oleh beberapa pusat kontrol praktis
tidak layak, karena terhambat oleh skala interkoneksi, kebijakan keamanan regional, dan waktu
nyata komunikasi jarak jauh. Untuk itu, didistribusikan algoritma berfungsi sebagai solusi yang
bersangkutan. Sebagian besar baru-baru ini upaya estimasi keadaan terdistribusi untuk jaringan
listrik termasuk dalam kategori LS [12] - [14]. Kerangka FASE terdistribusi berdasarkan UKF disajikan
dalam [15], dengan asumsi utama bahwa sub-stasiun bekerja secara independen, sehingga
membusuk negara global menjadi negara lokal independen.

B. Kontribusi

Dalam sistem tenaga, teknik penyaringan bantu-ramalan telah diterapkan untuk memecahkan
serangkaian masalah estimasi negara di mana transisi ruang-negara dipertimbangkan. Sebagai
contoh, masalah estimasi yang berkaitan dengan keadaan generator, termasuk sudut rotor,
kecepatan dan tegangan, dipertimbangkan dalam [7], [15], dan [16], dan status sistem seperti itu
sering didefinisikan sebagai keadaan dinamis [16]. Selain itu, estimasi tegangan bus, dengan
pengetahuan topologi dan parameter jaringan, adalah dipertimbangkan dalam [4], [5], [17], dan
[18], dan keadaan sistem tersebut adalah sering didefinisikan sebagai keadaan statis [3]. Untuk
mengungkap ide dasar dari metode penyaringan disajikan, kami mempertimbangkan model sistem
di mana keadaan sistem terdiri dari tegangan bus dan pengukuran terdiri dari aliran daya. Namun,
harus diperhatikan bahwa Metode FASE yang disajikan tidak dibatasi oleh pengaturan seperti itu,
dan itu dapat dengan mudah diterapkan untuk memecahkan kelas masalah estimasi negara yang
sebagian diwakili oleh semua referensi yang disebutkan dalam paragraf ini.

Ketika datang ke FASE untuk sistem nonlinier, tidak ada solusi spesifik yang tersedia yang pasti
mengungguli semua lainnya rekan, jadi kita harus memilih filter menyeimbangkan estimasi kinerja,
kompleksitas implementasi, dan stabilitas filter [19] Terlepas dari UKF, filter Kalman cubature (CKF)
dan filter Kalman perbedaan pusat (CDKF) juga telah diusulkan untuk menghitung momen
multivariat yang ditemui dalam penyaringan Bayesian sistem nonlinier. CKF dilaporkan untuk
menjadi lebih berkelanjutan untuk menyelesaikan kesalahan, lebih fleksibel dalam implementasi
bentuk, dan lebih stabil dari UKF [20]. Kami menyelidiki kinerja FASE dari UKF, CKF, dan CDKF
berkuasa sistem. Kami menyebutnya sebagai Pendekatan Gaussian Berbasis Titik filter (PGAF) di
sekuelnya. Menggabungkan dengan statistik linierisasi, metode PGAF dapat diekspresikan dalam
kerangka kerja yang sama dari filter Kalman, yang mendasari banyak solusi untuk masalah estimasi
keadaan berbantuan peramalan di sistem tenaga.

Dalam makalah ini, kami selanjutnya mengusulkan implementasi terdistribusi PGAF dalam
sistem tenaga, di mana yang kuat pendekatan terdistribusi — konsensus rata-rata [21] —disatukan.
Di sini setiap sub-stasiun lokal menjalankan protokol dua langkah: di langkah pertama, kantor pos
setempat membagikan informasinya dengan tetangga; kemudian, itu memperbarui keadaannya
sendiri menggunakan informasi diteruskan oleh sub-stasiun tetangga. Algoritma ini telah banyak
diterapkan dalam kombinasi dengan filter Kalman di sensor jaringan [22] - [25], yang sebagian besar
melibatkan sistem linear. Untung, PGAF dapat diubah menjadi filter linear dengan menggunakan
teknik linearisasi statistik [23], [26] - [28], terkemuka ke FASE terdistribusi baru untuk sistem tenaga.
Perhatikan bahwa statistik linierisasi yang kami gunakan berbeda secara mendasar dari linierisasi
dalam EKF, dalam arti yang dihasilkan didistribusikan PGAF setara dengan mitra terpusatnya.

Sisa dari makalah ini disusun sebagai berikut. Bagian II menjelaskan model ruang-negara untuk
perkiraan keadaan berbantuan perkiraan dalam sistem tenaga. Di Bagian III, kami memperkenalkan
PGAF untuk perkiraan keadaan berbantuan perkiraan. Di Bagian IV, kami mengusulkan versi
terdistribusi dari algoritma PGAF. Di Bagian V, kami bandingkan algoritma yang diusulkan dengan
EKF konvensional menggunakan sistem bus standar IEEE-14 dan IEEE-118, dan kasingnya dengan
pemrosesan anomali juga dibahas dalam Bagian VI. Akhirnya, Bagian VII menyimpulkan makalah ini.

Notasi

Dalam makalah ini, kami menggunakan notasi berikut:

II MODEL SISTEM

A. Model Transisi Linier Negara

Mengingat sistem daya -bus, vektor negara

diperkirakan, di mana dan menunjukkan sudut fase dan besarnya tegangan di bus i dan
waktu t masing-masing. Catatan itu berfungsi sebagai referensi tahap.

Beberapa model transisi negara dari sistem tenaga telah dilaporkan dalam literatur [3]. Secara
umum, mereka semua perkiraan quasi steady-state state (perlahan-lahan bervariasi waktu) dari
negara transisi dengan model linier berikut:

di mana menggambarkan proses transisi negara, dan Gaussian white noise dengan
kovarians . Dalam tulisan ini, kami menerapkan metode smoothing eksponensial ganda Holt-

Winters dalam (1) untuk memperbarui online sebagai [4]

Dimana I adalah matriks identitas, mewakili estimasi diberikan pengukuran hingga , dan
secara rekursif didefinisikan sebagai

di mana , ditentukan koefisien. Inisialisasi dari dan pemilihan

akan dibahas di Bagian V.

B. Model Pengukuran Nonlinear

Pengukuran daya yang terkontaminasi kebisingan biasanya diperoleh dari sistem SCADA.
Khususnya, meter mengukur suntikan listrik di bus dan aliran listrik melintasi jalur transmisi,

dilambangkan sebagai masing-masing. Catatan bahwa keduanya

merupakan vektor yang kompleks, dengan bagian yang sebenarnya kekuatan aktif dan bagian
imajiner sebagai kekuatan reaktif. Dengan demikian, pengukuran tanpa suara ditentukan oleh
negara parameter menurut [29]

di mana , dan menunjukkan tegangan kompleks dalam

representasi koordinat kutub, yaitu, . Perhatikan bahwa ini adalah dan

yang membentuk status sistem , dengan demikian merupakan fungsi dari

. Bahkan, merupakan matriks penerimaan. adalah sebuah matriks

ditentukan oleh grafik listrik. Misalkan kita mengumpulkan semua pengukuran terkontaminasi

kebisingan (dilambangkan sebagai ) di vektor setelah memisahkan bagian nyata dan

imajiner mereka, yaitu, lalu kita bisa

tulis model pengukuran nonlinear sebagai

di mana vektor Gaussian noise putih dengan kovarians . Ini mengikuti dari (6) - (7) yang h(.)
merupakan fungsi nonlinear yang ungkapan yang tepat diberikan dalam Lampiran. Kami ingin
menyoroti bahwa dalam sistem tenaga praktis, informasi pengukurannya adalah ditentukan oleh
penempatan meteran listrik. Jadi kita tidak bisa memiliki akses ke injeksi daya dan aliran daya semua
bus dan garis. Jika pengukuran tertentu tidak tersedia, kami hanya perlu menghapus elemen yang
sesuai dalam pengukuran vektor (kami juga dapat menghapus elemen jika diperlukan), dan
algoritma yang dikembangkan dalam makalah ini masih bisa diterapkan jika observabilitas dijamin.
Apalagi untuk menentukan jaringan topologi yang diwakili oleh, pemrosesan topologi [30], [31]
dilakukan sebelum langkah estimasi negara. Demikianlah topologi jaringan dan parameter diambil
seperti yang diberikan untuk dipertimbangkan nyatakan masalah estimasi [3], [32]. Untuk
didistribusikan algoritma yang dikembangkan dalam makalah ini, masing-masing gardu hanya perlu
untuk mengumpulkan pengukuran lokal dan melakukan pemrosesan topologi lokal. Akhirnya, baik
FASE terpusat dan didistribusikan algoritma yang diusulkan dalam makalah ini sepenuhnya dapat
memanfaatkan lebih banyak alat ukur yang kuat seperti pengukuran fasor unit. Secara khusus,
pengukuran ekstra dapat ditambah dengan memodifikasi fungsi pengukuran, dan mereka data yang
berlebihan dapat membantu meningkatkan akurasi estimasi. Pendekatan konvensional untuk
melacak sistem nonlinear diberikan oleh (1) dan (8) adalah EKF yang mempekerjakan orde pertama
aproksimasi pada setiap langkah, dan kemudian menerapkan linier Filter kalman. Selanjutnya, kita
akan menerapkan kerangka kerja baru nonlinier penyaringan, yang menghasilkan kinerja superior di
atas EKF.

III. GAUS-BASED BERBASIS TENGAH FILTER PENDEKATAN UNTUK FASE

Mengikuti paradigma penyaringan Bayesian, tujuan dari FASE adalah untuk menghitung fungsi
kepadatan posterior vektor status sistem. Namun, sudah dikenal luas bahwa bersifat rekursif proses
pembaruan dari penyaringan Bayesian standar adalah komputasi keras untuk sistem nonlinier.
Untuk itu, mengesankan Perkiraan Gaussian pada posisi sangat memudahkan perhitungan dengan
akurasi memuaskan [9], [20]. Bahwa adalah, kami berasumsi

di mana set pengukuran hingga waktu t, dan merupakan

kovarian kesalahan yang sesuai dengan . Menggunakan (9) - (10), evaluasi rekursif posterior
negara fungsi kepadatan bermuara pada memperbarui rata-rata posterior dan kovarians, diberikan
sebagai berikut:

Prediksi:

Terkini:
di mana prediksi mean dan kovarian diberikan oleh

Kemudian tetap mencari cara yang efisien untuk menghitung multi-dimensional Integral Gaussian
dalam (16) - (18) yang melibatkan nonlinier fungsi h(.). Untuk itu, kami menggunakan numerik
berbasis titik integrasi yang memanfaatkan berbagai kelas poin tertimbang

untuk menghitung . Kami berasumsi

bahwa vektor dimensi di sisa bagian ini.

1) Transformasi tanpa aroma: Dalam transformasi tanpa aroma, titik tertimbang dipilih
sedemikian rupa sehingga

dan ekspansi deret Taylor dari mean dan matriks kovarians sama dengan yang
benar ke urutan kedua. Secara khusus, kami memiliki dan
Dimana , dan . Untuk tampil simulasi di Bagian

V, kami atur , dan [10]. Meskipun pengaturan parameter ini akan

membantu meminimalkan beberapa kesalahan dalam persyaratan empat-urutan dalam mean dan
perkiraan kovarians (jika posisi dalam (9) dan (10) adalah distribusi Gaussian [9]), harus diperhatikan

bahwa negatif berat mungkin membuat matriks kovarians dalam (17) negatif- semi pasti,
yang menyebabkan ketidakstabilan angka [20].

2) Aturan Derajat Ketiga: Derajat ketiga aturan adalah bentuk khusus dari UT [33]. Kami punya

dan

Dibandingkan dengan aturan cubature, UT memiliki satu sigmapoint lagi , yang bobotnya dapat
menjadi nilai negatif (mis., untuk kasus yang disimulasikan dalam Bagian V). Dilaporkan dalam [20]
bahwa kehadiran dari bobot negatif mungkin gagal untuk menjamin kovarians matriks menjadi
positif pasti selama penyaringan rekursif. Demikian aturan cubature lebih stabil daripada UT.

3) Central Difference Rule: Dalam perkiraan Stirling tentang , turunan dalam seri Taylor
digantikan oleh perbedaan pusat dibagi [19]. Sejalan dengan itu, kita miliki
di mana (untuk distribusi Gaussian) adalah ukuran langkah, dan digunakan dalam perkiraan (17)

IV. ESTIMASI NEGARA TERDISTRIBUSI TENTANG FILTER INFORMASI

Pada bagian sebelumnya, PGAF diperkenalkan di bawah terpusat pengaturan, di mana semua
pengukuran diasumsikan tersedia di pusat kendali. Namun, dalam praktiknya, baik karena rentang
geografis yang sangat besar atau deregulasi industri listrik, sistem tenaga dibagi menjadi beberapa
sub-stasiun, di mana setiap sub-stasiun hanya dapat mengakses pengukuran lokalnya fungsi dan
pembacaan meter yang sesuai. Di bagian ini, dengan memanfaatkan linierisasi statistik berbasis titik
filter dan algoritma konsensus rata-rata, kami mengembangkan yang baru pendekatan untuk
estimasi keadaan luas didistribusikan, di mana masing-masing Sub-stasiun mempertahankan
perkiraan keadaan global berdasarkan pada informasi lokal dan pertukaran informasi dari tetangga.
Yang diusulkan Metode menggabungkan kedua kekuatan penyaringan nonlinear dan keuntungan
implementasi terdistribusi.

A. Filter Informasi

Kami mulai dengan memperkenalkan filter informasi [27], [34] untuk sistem dinamis linier, yang
merupakan dasar dari usulan kami yang didistribusikan skema penyaringan nonlinier. Filter informasi
adalah kesetaraan aljabar dengan filter Kalman linier, dan itu berada dalam a bentuk yang dapat
dengan mudah didesentralisasi. Pertimbangkan yang berikut ini model sistem ruang-keadaan linear:
di mana dan mana vektor keadaan dan pengukuran, dan adalah transisi negara dan matriks
observasi, dan diasumsikan menjadi nol berarti suara Gaussian putih dengan dan masing-masing.
Menentukan informasi matriks dan vektor informasi, masing-masing, seperti

kemudian filter informasi dinyatakan sebagai

Prediksi:

Terkini:

dimana dan. Informasi ini filter mudah didesentralisasi sebagai berikut. Seandainya persamaan
pengukuran dibagi menjadi sub-persamaan, yaitu,

Jika matriks kovarians derau adalah blok diagonal, mis., , maka kita dapat memiliki

Mengganti (33) dan (34) menjadi (30) dan (31) masing-masing, kemudian matriks informasi global /
vektor dihitung sebagai jumlah informasi lokal. Selanjutnya kita bahas cara mendapatkan yang
serupa formulir informasi untuk PGAF nonlinier.
B. Linearisasi Statistik

Transformasi rata-rata tertimbang yang diberikan dalam (16) - (18) juga bisa dilihat sebagai
linearisasi statistik dari. Untuk kenyamanan notasi, kami menghilangkan indeks waktu dan
kebisingan pengamatan, yaitu, kami tunjukkan di sini. Secara khusus, regresi linier statistik
menghitung dan seperti itu oleh meminimalkan jumlah kesalahan kuadrat tertimbang, yaitu, dimana
dan. Solusinya adalah kuadrat-terkecil yang biasa pas: dan. Berarti dan matriks kovarians kesalahan
kemudian ,. Sangat mudah untuk memverifikasi bahwa penyebaran rata-rata dan kovarian melalui
linierisasi, di mana diasumsikan nol-mean dengan matriks kovarians dan tidak berkorelasi dengan,
memberikan perkiraan yang sama sebagai (16) - (18), yaitu,

Menggunakan linierisasi statistik berdasarkan bobot poin, model nonlinear (8) dapat ditulis
sebagai linear fungsi

Dimana

Akibatnya, mengikuti (35) - (38), ruang-negara nonlinier model sistem tenaga yang diberikan oleh
(1) dan (8) dapat disusun kembali sebagai berikut sistem linier yang secara statistik setara:

Perhatikan bahwa linearisasi statistik yang digunakan di sini secara fundamental berbeda dari
pendekatan linier dengan mengabaikan persyaratan tingkat tinggi dalam ekspansi seri Taylor (mis.,
EKF). Model regresi linier (35) - (38) setara secara aljabar ke filter perkiraan Gaussian terpusat.
Dengan menerapkan filter informasi ke model linieristik secara statistik (39), kita dapat memperoleh
filter informasi berbasis titik:

Prediksi:

Terkini:
Tidak seperti (33) - (34), kovarians derau di (42) dan (43) adalah tidak ideal blok-diagonal pada
umumnya. Istilah silang tidak nol muncul karena penyebaran variabel keadaan dan mereka
tercermin dalam vektor noise linierisasi. Namun, sebagai istilah lintas cenderung kecil, menjaga
blockdiagonal entri sambil mengabaikan yang lain seharusnya tidak menyebabkan kehilangan
informasi yang nyata. Intinya, ini setara dengan melakukan linearisasi statistik dari persamaan
pengukuran lokal di setiap sub-stasiun (disebut sebagai linearisasi lokal) [23], [24], [27].

Secara khusus, anggap ada sub-stasiun, lalu

di mana, dan dihitung seperti pada (39). Dengan asumsi itu bahwa suara-suara lokal tidak tergantung
dari satu sub-stasiun ke yang lain, dengan demikian kira-kira blok-diagonal, yaitu, , mengarah ke

di mana dihitung seperti pada (42). Jelas bahwa linierisasi lokal hanya membutuhkan model
pengukuran lokal.

Perhatikan bahwa pembaruan lokal di atas perlu digabungkan perkiraan global vektor
negara. Kami kemudian menggunakan algoritma konsensus yang memungkinkan sub-stasiun untuk
mempertahankan estimasi kondisi global tanpa mengetahui fungsi pengukuran di sub-stasiun
lainnya. Ini sebagian besar sesuai dengan yang praktis skenario, di mana administrasi sub-stasiun
lebih suka menahan struktur jaringan lokal mereka sebagai informasi pribadi.
 C. Filter Pendekatan Gaussian Berbasis Point yang Didistribusikan

Konsensus rata-rata adalah pendekatan terdistribusi untuk komputasi rata-rata global melalui
komunikasi lokal. Mempertimbangkan masalah menghitung rata-rata aritmatika dari beberapa nilai
secara terdistribusi, di mana informasinya tentang jumlah di sub-stasiun. Semua sub-stasiun
terhubung satu sama lain menggunakan topologi jaringan, dan himpunan stasiun tetangga
dilambangkan sebagai. Secara matematis, algoritma konsensus mengharuskan setiap sub-stasiun
untuk memelihara salinan lokal dari variabel target, yang, setelah iterasi pertukaran informasi,
didefinisikan sebagai

dimana, dan adalah ukuran langkah yang berdampak pada tingkat konvergensi, dan adalah derajat
maksimum. Dengan melakukan berulang (47), the keadaan semua sub-stasiun bertemu dengan rata-
rata aritmatika, yaitu, jika Tujuan akhir dari estimasi keadaan terdistribusi penuh adalah untuk
mempertahankan estimasi kondisi global di setiap sub-stasiun dengan hanya pertukaran
pengetahuan dan pesan lokal antara tetangga, sebagai lawan dari pengaturan terpusat di mana
informasi lokal ditransmisikan ke pusat kontrol. Secara intuitif, semua gardu bertindak sebagai pusat
kontrol dengan perkiraan negara yang disepakati, yang dicapai oleh mekanisme konsensus di (47).
Itu adalah, untuk filter th, kita miliki

Mari kita asumsikan bahwa semua sub-stasiun telah mencapai konsensus dan tepat waktu. Menurut
(40) - (41), kami kemudian memiliki dan . Hasilnya, (48) - (49) dapat setara ditulis sebagai

Sekarang baik (50) dan (51) secara implisit mengandung struktur rata-rata aritmatika dikalikan
dengan faktor pembobotan, karenanya algoritma konsensus rata-rata (47) dapat segera diterapkan.
Akhirnya, kami merangkum PGAF yang didistribusikan sepenuhnya dalam Algoritma 1.
 V. HASIL SIMULASI

Di bagian ini, kami melakukan percobaan untuk membandingkan yang diusulkan PGAF terpusat
dan didistribusikan dengan terpusat EKF, untuk mana matriks Jacobian pada setiap iterasi adalah
diberikan dalam Lampiran. Percobaan dilakukan berdasarkan pada IEEE 14-bus dan sistem IEEE 118-
bus menggunakan simulasi alat MATPOWER 4.1 [29]. Dynamic state disimulasikan dalam interval 50
sampel, di mana variasi beban mengikuti tren linier 10%, 20%, atau 30% dengan fluktuasi 3% di
beberapa bus yang dipilih secara acak. Selain itu, pengukuran terkontaminasi oleh Gaussian white
noise dengan mean nol dan standar deviasi 1% dari nilai aktual. Selanjutnya kita tentukan model
transisi keadaan yang dijelaskan oleh (1) - (5): kami mengambil sampel status sistem yang dihasilkan
oleh beban dasar dan variasinya di, dan mengatur dan; itu dua parameter fraksional, ambil yang
sama nilai-nilai seperti pada [10]. Matriks kovarians keadaan awal diatur menjadi kecil, mis.,. Matriks
kovarian kebisingan negara , di mana menunjukkan matriks kovarians dari fase tegangan, dan
menunjukkan bahwa dari amplitudo tegangan. Perhatikan bahwa karena itu adalah parameter fase
yang menyebabkan nonlinier, kami sedikit meningkat noise fase untuk menyoroti keunggulan
berbasis titik filter. Ukuran langkah ([19]) diturunkan sebagai untuk ketat Distribusi Gaussian,
bagaimanapun, kami menemukan bahwa berkinerja lebih baik dalam praktik.

Untuk membandingkan penaksir status yang berbeda, kami mempertimbangkan metrik kinerja
yang umum digunakan ditentukan oleh [10], [17]:

di mana menunjukkan vektor pengukuran yang disediakan oleh menjalankan filter di realisasi th, dan
menunjukkan yang bersuara vektor pengukuran, dan merupakan kebisingan yang terkontaminasi
pengukuran. Hasilnya rata-rata di atas Monte Carlo simulasi. Selain itu, kami juga menganggap rata-
rata absolut kesalahan (MAE) dari kondisi sistem yang diperkirakan. Seperti pada [35], di masing-
masing titik waktu kami menghitung MAE dari estimasi tegangan bus (mis., besarnya dan sudut), lalu
rata-rata MAE berakhir semua poin waktu.

Dalam percobaan pertama, kami membandingkan PGAF terpusat dengan EKF terpusat. Buah
ara. 2 dan 3 sesuai dengan kinerja filter estimasi keadaan ini untuk IEEE 14-bus dan sistem IEEE 118-
bus masing-masing. MAE dari taksiran status sistem menggunakan EKF dan PGAF terpusat terdaftar
pada Tabel I (dari baris ke-3 sampai ke-6). Perhatikan bahwa nonlinier dalam model pengamatan
adalah karena kutub ke Cartesian
 Gambar. 1. Diagram garis dan lokalisasi sistem 14-bus. Jumlahnya adalah bus indeks, dan garis dua
arah mewakili koneksi. Koneksi yang solid garis mewakili topologi melingkar, dan garis putus-putus
mewakili set topologi sesuai dengan grafik kelistrikan.

Gambar. 2. Perbandingan EKF, CUKF, CCKF, dan CCDKF di IEEE 14-bus sistem.

transformasi. Ketidaklinieran tersebut menurunkan akurasi estimasi oleh EKF, yang didasarkan pada
linierisasi orde pertama [9]. Dari angka dan tabel, terlihat bahwa PGAF menunjukkan peningkatan
substansial atas skema EKF. Selain itu, kami melihat bahwa UKF, CKF, dan CDKF yang terpusat
memiliki kesamaan kinerja. Ini diharapkan karena fakta bahwa mereka semua melestarikan syarat
orde pertama dan kedua, dan hanya berbeda dengan masing-masing lain dalam istilah orde tinggi,
yang pengaruhnya kurang signifikan.
 Selanjutnya, kami membandingkan CKF yang didistribusikan, CDKF yang didistribusikan, dan
EKF tradisional. Karena kami mengamati bahwa UKF menderita dari ketidakstabilan numerik karena
negatif-semidefinite matriks kovarians yang disebabkan oleh bobot negatif, kita tidak pertimbangkan
distribusi UKF dalam percobaan ini. IEEE 14- dan sistem IEEE 118-bus dibagi menjadi 4 dan 15 area
lokal, masing-masing, seperti yang ditunjukkan pada Tabel II dan III. Lokalisasi dan topologi
komunikasi sistem 14-bus diilustrasikan pada Gbr. 1. Di sini kita mengatur tautan komunikasi sesuai
dengan grafik listrik. Misalnya, area 1 dan 3 dapat berbicara dengan masing-masing lain karena bus 2
dan 3 terhubung secara listrik, tetapi area 1 dan 4 dipisahkan karena tidak ada koneksi bus.

Gambar 3. Perbandingan EKF, CUKF, CCKF, dan CCDKF dalam IEEE 118-bus sistem.
Buah ara. 4 dan 5 masing-masing menggambarkan kinerja DCKF dan DCDKF dalam sistem IEEE 14-
bus. Kami melihat itu karena jumlah iterasi konsensus meningkat, kinerja dari algoritma terdistribusi
mendekati yang terpusat rekanan (dalam hal ini, nilai sederhana dirender perbedaan yang dapat
diabaikan antara terpusat dan didistribusikan skema). Yang penting, bahkan dengan, CKF yang
didistribusikan masih secara signifikan mengungguli EKF tersentralisasi.
Gambar 4. Perbandingan EKF, CCKF, dan DCKF dengan jumlah konsensus yang berbeda iterasi dalam
sistem IEEE 14-bus.

Gambar. 5. Perbandingan EKF, CCDKF, dan DCDKF dengan jumlah yang berbeda iterasi konsensus
dalam sistem IEEE 14-bus.

Buah ara. 6 dan 7 menunjukkan kinerja yang didistribusikan CKF dan CDKF di sistem IEEE
118-bus, masing-masing. Saya t terlihat bahwa ada celah kecil antara skema yang didistribusikan dan
yang terpusat. Ini disebabkan oleh perkiraan di (42) dan (43) sebagai blok-diagonal dalam linierisasi
lokal proses. Skema terdistribusi menyatu dengan desentralisasi satu sebagai. Namun, itu tidak
dapat mencapai kinerja terpusat karena kerugian yang ditimbulkan oleh linierisasi lokal.

Dari dua baris terakhir dari Tabel I, kita dapat melihat MAE dari perkiraan status sistem di
stasiun pertama menggunakan distribusi CKF dan CDKF. Nomor iterasi diatur untuk keduanya kasus.
Mirip dengan hasil yang ditunjukkan dari Gambar. 4 sampai Gambar. 7, didistribusikan CKF dan CDKF
mengalami sedikit penurunan kinerja dibandingkan dengan rekan-rekan terpusat mereka. Namun,
didistribusikan CKF dan CDKF masih secara signifikan mengungguli yang tersentralisasi EKF.

Seiring meningkatnya, overhead komunikasi harus hati-hati dipertimbangkan. Jika setiap

entri dan disimpan dengan 64 bit, paket data yang dipertukarkan di area lokal untuk satu iterasi
memiliki bit. Untuk menghitung iterasi yang dapat ditoleransi nomor, kita ikuti diskusi di [14], di
mana estimasi dilakukan setiap 10 detik, dengan hop delay 0,6 ms dan bandwidth komunikasi 100
Mbits / s. Untuk IEEE 118-bus sistem dengan, pertukaran maksimum dalam 10 detik adalah

Gambar. 6. Perbandingan EKF, CCKF, dan DCKF dengan jumlah konsensus yang berbeda iterasi dalam
sistem IEEE 118-bus.

Gambar. 7. Perbandingan EKF, CCDKF, dan DCDKF dengan jumlah yang berbeda iterasi konsensus
dalam sistem IEEE 118-bus.
yang cukup untuk menjamin kinerja yang didistribusikan algoritma.

Dalam percobaan sebelumnya, topologi jaringan adalah diatur sesuai dengan grafik
kelistrikan. Untuk menunjukkan itu Algoritma yang didistribusikan tetap efektif dengan jaringan yang
berbeda topologi, kami menguji algoritma yang diusulkan berdasarkan yang lain topologi tipikal,
dikenal dengan topologi sirkular, di mana masing-masing simpul memiliki derajat yang sama. Mari
kita perhatikan kasusnya di mana pertukaran data dilakukan hanya satu kali (yaitu, ). Dalam kasus
seperti itu, sistem dengan topologi melingkar tidak dapat diobservasi. Mengambil area 1 pada
Gambar. 1 misalnya, untuk memperkirakan kondisi bus 1 dan bus 2, kita perlu pengukuran dari area
2 dan area 3. Namun area 1 tidak memiliki informasi tentang pengukuran dari area 3 dengan hanya
satu iterasi, karena informasi itu "buffered" oleh area 2. Dengan set topologi sesuai dengan grafik
listrik, bagaimanapun, area 1 dapat mengakses informasi tentang pengukuran di area 3 sejak mereka
terhubung langsung sebagai tetangga. Pada Gambar. 8, kami membandingkan CCKF / CCDKF dan
DCKF / DCDKF dengan topologi melingkar dalam sistem IEEE 118-bus. Seperti yang bisa kita lihat,
harus ditingkatkan terutama untuk mencapai kinerja yang dekat dengan itu metode terpusat. Ini
karena dengan topologi melingkar, lebih banyak putaran komunikasi diperlukan untuk satu area
lokal mengumpulkan informasi yang cukup dari daerah terpencil, karena

Gambar. 8. Perbandingan CKF dan CDKF yang tersentralisasi dan didistribusikan dalam IEEE Sistem
118-bus dengan topologi jaringan melingkar.

informasi “buffered” oleh beberapa node perantara. Namun, menurut pembahasan sebelumnya,
komunikasi overhead masih bisa diterima.

VI. PENGOLAHAN ANOMALI

Di bagian ini, kami menunjukkan kemampuan yang diusulkan PGAF didistribusikan untuk
mengatasi anomali secara mandiri di setiap sub-stasiun lokal. Ini dipenuhi dengan mengintegrasikan
yang banyak digunakan algoritma pemrosesan anomali dikembangkan oleh [36], yang juga telah
diterapkan dalam [10].
 Anomali yang paling sering ditemui termasuk yang buruk data pengukuran dan perubahan
beban yang tiba-tiba. Menurut ke [10] dan [36], perilaku abnormal ini akan meningkatkan besarnya
elemen yang sesuai dalam dinormalisasi vektor inovasi, dan kita dapat lebih lanjut menggunakan tes
skewness untuk membedakan kedua jenis anomali dalam sistem tenaga. Secara khusus, di stasiun
sub, inovasi dinormalisasi vektor pada saat didefinisikan sebagai, di mana dimensi vektor inovasi
yang dipertimbangkan, dan

dengan menunjukkan elemen diagonal th dari. Kejadian dari data yang buruk atau perubahan beban
mendadak di sub-stasiun th mungkin secara signifikan meningkatkan besaran yang sesuai elemen
dalam. Karena itu, sub-stasiun berangkat alarm untuk anomali saat

Berikut adalah ambang yang ditentukan yang ditentukan oleh para praktisi melalui simulasi off-line.
Apalagi segera setelah alarm dimatikan, kami tertarik untuk membedakan lebih lanjut antara dua
jenis anomali karena mereka membutuhkan penindasan yang berbeda metode. Ini dilakukan dengan
memeriksa distribusi asimetri dari variabel acak, yang sampelnya adalah unsur-unsur vektor inovasi
yang dinormalisasi. Metode ini disebut tes kemiringan, dan kemiringan pada waktu didefinisikan
sebagai

Gbr. 9. Perkiraan kinerja di hadapan data buruk besar, dan kinerja dengan pemrosesan anomali.
 Gambar 10. Estimasi kinerja dengan adanya perubahan beban mendadak, dan kinerja dengan
pemrosesan anomali.

Di mana dan merupakan momen sentral ketiga dan standar deviasi. Kehadiran pengukuran
buruk data secara signifikan dapat meningkatkan kemiringan, sedangkan perubahan beban
mendadak tidak menyebabkan perubahan signifikan. Akibatnya, diberi ambang yang ditentukan
offline, yang buruk data dalam pengukuran dinyatakan jika, sebaliknya perubahan beban mendadak
diumumkan. Kami merujuk pembaca yang tertarik [10] dan [36] untuk detailnya.

Kemudian, di bawah kerangka CDKF dan CKF yang didistribusikan, kami menerapkan
algoritma pemrosesan anomali ke standar Sistem IEEE 118-bus. Perhatikan bahwa, selama
percobaan, topologi komunikasi jaringan listrik diatur sama dengan grafik sambungan listrik dan
jumlah konsensus iterasi ditetapkan sebagai. Untuk mewakili kesalahan besar di data pengukuran,
kami memperkenalkan kesalahan yang sama dengan 30 waktu deviasi standar pada injeksi daya aktif
di bus 1 dan 10 saat itu. Untuk mewakili yang tiba-tiba perubahan beban, 70% dari beban pada bus 3
dihapus pada saat itu . Seperti yang ditunjukkan pada Gambar. 9 dan 10, anomali sistem dapat
sangat menurunkan kinerja estimasi. Selanjutnya, dalam Gambar. 11 dan 12, kami menunjukkan
bagaimana inovasi vektor dan kemiringan bereaksi terhadap data buruk dan beban tiba-tiba berubah
di sub-stasiun yang terkena dampak, masing-masing. Perhatikan bahwa
Gambar. 11. Vektor inovasi miring dan kemiringan pada sub-stasiun lokal yang dipengaruhi oleh data
yang buruk. (a) Vektor inovasi dinormalisasi di sub-stasiun. (B) vektor inovasi dinormalisasi di sub-
stasiun. (c) Besarnya kemiringan pada sub-stasiun. (D) Besarnya kemiringan di sub-stasiun.

pengukuran yang terkontaminasi data buruk pada bus 1 dan bus 10 terkait ke pengukuran di sub-
stasiun dan, masing-masing (lih. Tabel III). Dengan demikian, Gambar 11 (a) dan (b) menggambarkan
kelainan tersebut dalam vektor inovasi dinormalisasi lokal di ini dua sub-stasiun. Jelas, kita dapat
dengan mudah mendeteksi anomali bus 1 dan 10 (perhatikan bahwa indeks lokal digunakan di sini,
yaitu, pengukuran th di sub-stasiun sesuai dengan bus 1, dan pengukuran ke-4 di sub-stasiun sesuai
dengan bus 10). Demikian pula, pada Gambar. 12 (a), kita melihat bahwa pengukuran sekitar bus 3
memiliki ukuran relatif besar dinormalisasi inovasi, yang menunjukkan anomali dalam sistem. Untuk
langkah identifikasi, dalam Gambar. 11 (c), 11 (d), dan 12 (b), kami membandingkan kecenderungan
di bawah anomali yang berbeda. Khususnya di Gambar 11 (c) dan (d), besarnya kemiringan pada saat
itu telah meningkat secara signifikan, dibandingkan dengan yang ketika sistem beroperasi secara
normal. Sebaliknya, dalam kasus perubahan beban yang tiba-tiba, tidak ada respon kemiringan yang
tiba-tiba muncul pada Gambar. 12 (b). Akhirnya, kami akan memperbaiki efeknya dari anomali
dengan estimasi negara. Untuk itu, di kasus data buruk, kami menghapus elemen yang sesuai di
vektor pengukuran; untuk perubahan beban mendadak, kami meningkat varians dari negara yang
sesuai untuk lebih membebani pengukuran atas prediksi / prior. Itu bisa dilihat dari Buah ara. 9 dan
10 yang untuk sub-stasiun yang didistribusikan, estimasi kinerja telah sangat dimodifikasi dengan
deteksi anomali dan algoritma identifikasi.
 VII. KESIMPULAN

Makalah ini telah membahas non-linear peramalan-dibantu negara estimasi dalam sistem
tenaga, di bawah keduanya terpusat dan pengaturan terdistribusi. Untuk mengatasi nonlinearitas
pengukuran fungsi, kami telah memperkenalkan kerangka PGAF, dan telah menunjukkan bahwa CKF
dan CDKF lebih numerik stabil dibandingkan UKF. Selanjutnya dimotivasi oleh bidang yang luas
pemantauan masalah, kami telah mengembangkan PGAF terdistribusi algoritma, berdasarkan teknik
linearisasi statistik dan konsensus rata-rata.

LAMPIRAN

MATRIKS JACOBIAN DARI FUNGSI PENGAMATAN

Fungsi observasi dinyatakan sebagai

di mana dan didefinisikan dalam (6) dan (7), masing-masing. Untuk memperoleh matriks Jacobian,
kita perlu menghitung
 Gambar. 12. Vektor inovasi normal dan kemiringan pada sub-stasiun lokal yang terkena dampak
dengan perubahan beban mendadak. (a) Vektor inovasi dinormalisasi di sub-stasiun . (B) Besarnya
kemiringan di sub-stasiun.

turunan parsial dari,, dan. Sejak perhitungan mudah, kami hanya menyajikan rumus terakhir
menghilangkan Rinciannya:
 Referensi

[1] G. B. Giannakis, V. Kekatos, N. Gatsis, S.-J. Kim, H. Zhu, and B. F. Wollenberg, “Monitoring and
optimization for power grids: A signal processing perspective,” IEEE Signal Process. Mag., vol. 30, no.
5, pp. 107–128, Sep. 2013.
[2] A. Abur and A. Gomez-Exposito, Power System State Estimation: Theory and Implementation.
New York, NY, USA: Marcel Dekker, 2004.
[3] M. D. C. Filho and J. C. S. D. Souza, “Forecasting-aided state estimation— Part i: Panorama,” IEEE
Trans. Power Syst., vol. 24, no. 4, pp. 1667–1677, Nov. 2009.
[4] A. M. L. da Silva, M. B. D. C. Filho, and J. F. de Queiroz, “State forecasting in electric power
systems,” IEE Proc. Gener. Transm. Distrib., vol. 130, no. 5, pp. 237–244, Sep. 1983.
[5] A. M. L. da Silva, M. B. D. C. Filho, and J. M. C. Cantera, “An efficient dynamic state estimation
algorithm including bad data processing,” IEEE Trans. Power Syst., vol. 2, no. 4, pp. 1050–1058, Nov.
1987.
[6] A. S. Debs and R. E. Larson, “A dynamic estimator for tracking the state of a power system,” IEEE
Trans. Power App. Syst., vol. PAS-89, no. 7, pp. 1670–1678, Sep. 1970.
[7] E. Ghahremani and I. Kamwa, “Dynamic state estimation in power system by applying the
extended Kalman filter with unknown inputs to phasor measurements,” IEEE Trans. Power Syst., vol.
26, no. 4, pp. 2556–2566, Nov. 2011.
[8] S. Deshmukh, B. Natarajan, and A. Pahwa, “State estimation and voltage/VAr control in
distribution network with intermittent measurements,” IEEE Trans. Smart Grid, vol. 5, no. 1, pp.
200–209, Jan. 2014.
[9] S. J. Julier and J. K. Uhlmann, “Unscented filtering and nonlinear estimation,” Proc. IEEE, vol. 92,
no. 3, pp. 401–422, Mar. 2004.
[10] G. Valverde and V. Terzija, “Unscented Kalman filter for power system dynamic state
estimation,” IET Gener. Transm. Distrib., vol. 5, no. 1, pp. 29–37, Jan. 2011.
[11] S. Wang, W. Gao, and A. Meliopoulos, “An alternative method for power system dynamic state
estimation based on unscented transform,” IEEE Trans. Power Syst., vol. 27, no. 2, pp. 942–950, May
2012.
[12] V. Kekatos and G. B. Giannakis, “Distributed robust power system state estimation,” IEEE Trans.
Power Syst., vol. 28, no. 2, pp. 1617–1626, May 2013.
[13] L. Xie, D.-H. Choi, S. Kar, and H. V. Poor, “Fully distributed state estimation for wide area
monitoring systems,” IEEE Trans. SmartGrid, vol. 3, no. 3, pp. 1154–1169, Sep. 2012.
[14] X. Li and A. Scaglione, “Robust decentralized state estimation and tracking for power systems
via network gossiping,” IEEE J. Sel. Areas Commun., vol. 31, no. 7, pp. 1184–1194, Jul. 2013.
[15] A. K. Singh and B. C. Pal, “Decentralized dynamic state estimation in power systems using
unscented transformation,” IEEE Trans. Power Syst., vol. 29, no. 2, pp. 794–804, Mar. 2014.
[16] Z. Huang, K. Schneider, and J. Neplocha, “Feasibility studies of applying Kalman filter techniques
to power systm dynamic state estimation,” in Proc. 2007 Int. Power Eng. Conf. (IPEC), pp. 376–382.
[17] K.-R. Shih and S.-J. Huang, “Application of a robust algorithm for dynamic state estimation of a
power system,” IEEE Trans. Power Syst., vol. 17, no. 1, pp. 141–147, Feb. 2002.
[18] J. Lin, S. Huang, and K. Shih, “Application of sliding surface-enhanced fuzzy control for dynamic
state estimation of a power system,” IEEE Trans. Power Syst., vol. 18, no. 2, pp. 570–577, May 2003.
[19] M. Norgaard, N. K. Poulsen, and O. Ravn, “New developments in state estimation for nonlinear
systems,” Automatica, vol. 36, pp. 1627–1638, Nov. 2000.
[20] I. Arasaratnam and S. Haykin, “Cubature Kalman filter,” IEEE Trans. Autom. Control, vol. 54, no.
6, pp. 1254–1269, Jun. 2009.
[21] R. Olfati-Saber, J. A. Fax, and R. M. Murray, “Consensus and cooperation in networked multi-
agent systems,” Proc. IEEE, vol. 95, no. 1, pp. 215–233, Jan. 2007.
[22] R. Olfati-Saber, “Distributed Kalman filtering for sensor networks,” in Proc. 46th Conf.Decision
Control, New Orleans, LA, USA, Dec. 2007.
[23] W. Li and Y. Jia, “Consensus-based distributed multiple model UKF for jump Markov nonlinear
systems,” IEEE Trans. Autom. Control, vol. 57, no. 1, pp. 230–236, Jan. 2012.
[24] D.-J. Lee, “Nonlinear estimation and multiple sensor fusion using unscented information
filtering,” IEEE Signal Processing Lett., vol. 15, pp. 861–864, 2008.
[25] A. T. Kamal, J. A. Farrell, and A. K. Roy-Chowdhury, “Information weighted consensus filters and
their application in distributed camera networks,” IEEE Trans. Autom. Control, vol. 58, no. 12, pp.
3112–3125, Dec. 2013.
[26] T. Lefebvre and J. D. Schutter, “Comment on a new method for the nonlinear transformation of
means and covariances in filters and estimators,” IEEE Trans. Autom. Control, vol. 47, no. 8, pp.
1406–1408, Aug. 2002.
[27] T. Vercauteren and X. Wang, “Decentralized sigma-point information filters for target tracking in
collaborative sensor networks,” IEEE Trans. Signal Process., vol. 53, no. 8, pp. 2997–3009, Aug. 2005.
[28] I. Arasaratnam, S. Haykin, and R. J. Elliott, “Discrete-time nonlinear filtering algorithms using
Gauss-Hermite quadrature,” Proc. IEEE, vol. 95, no. 5, pp. 953–977, May 2007.
[29] Matpower 4.1 User's Manual [Online]. Available: http://www.pserc. cornell.edu/matpower/
[30] A. M. Sasson, S. T. Ehrmann, P. Lynch, and L. S. van Slyck, “Automatic power system network
topology determination,” IEEE Trans. Power App. Syst., vol. PAS-92, no. 2, pp. 610–618, Mar./Apr.
1973.
[31] M. Bertran and X. Corbella, “On the validation and analysis of a new method for power network
connectivity determination,” IEEE Trans. Power App. Syst., vol. PAS-101, no. 2, pp. 316–324, Feb.
1982.
[32] A. Monticelli, “Electric power system state estimation,” Proc. IEEE, vol. 88, no. 2, pp. 262–282,
Feb. 2000.
[33] B. Jia, M. Xin, and Y. Cheng, “High-degree cubature Kalman filter,” Automatica, vol. 49, no. 2,
pp. 510–518, Feb. 2013.
[34] S. Haykin, Adaptive Filter Theory, 3rd ed. Englewood Cliffs, NJ, USA: Prentice-Hall, 1996.
[35] P. Yang, Z. Tan, A. Wiesel, and A. Nehorai, “Power system state estimation using PMUs with
imperfect synchronization,” IEEE Trans. Power Syst., vol. 28, no. 4, pp. 4162–4172, Nov. 2013.
[36] K. Nishiya, J. Hasegawa, and T. Koike, “Dynamic state estimation including anomaly detection
and identification for power systems,” IEE Proc. Gener., Transm. Distrib., vol. 129, no. 5, pp. 192–
198, Sep. 1982.