PoSE模型通过流匹配技术提升配电网状态估计精度与鲁棒性

一句话结论

新发布的PoSE模型利用流匹配技术学习配电网子站注入分布，在IEEE 33节点馈线测试中将概率注入误差降低6.7至7.5%。

关键要点

• 研究团队提出名为PoSE（Posterior Sampling for State Estimation）的贝叶斯配电网状态估计方法，该模型专为实时测量稀缺的中压馈线设计。
• PoSE利用流匹配技术在历史数据上训练神经网络，仅学习配电网运营商未知的子站注入分布，而不直接近似功率流方程。
• 在IEEE 33节点馈线的12种测试设置中，PoSE相较于全协方差高斯先验模型，将概率注入误差（CRPS）降低了6.7%至7.5%。
• PoSE提供的90%置信区间几乎以理论后验样本的频率包含真实注入值，而传统监督估计器的覆盖比例仅为37%至78%。
• 快速变体模型在0.2至0.6秒内完成单快照计算，且在无需重新训练的情况下，在7种重构拓扑结构中优于高斯先验和需重新训练的监督估计器。

背景与事实

中压馈线在实际运行中缺乏实时的密集测量数据，导致配电网状态估计（DSSE）长期依赖二次变电站的伪测量值。在贝叶斯统计框架下，这些伪测量值构成了状态估计的先验信息。传统的加权最小二乘法虽然能保持功率流方程的精确性，但其局限性在于将先验分布简化为均值和方差，丢失了高阶统计特征。另一方面，现有的监督深度学习方法在训练过程中同时学习了功率流关系，导致模型与特定的测量集合强耦合，泛化能力受限，难以适应拓扑结构或测量配置的变化。

针对上述挑战，研究人员提出了一种名为PoSE的新方法。该架构保留了DSSE的贝叶斯结构，核心创新在于神经网络仅学习“配电网运营商所不知道”的部分，即子站注入的概率分布。这一分布通过流匹配（Flow Matching）技术在历史数据上进行训练。在推理阶段，功率流方程、电网拓扑结构和当前测量数据仅在采样环节介入，通过一种感知噪声的卡尔曼型校正机制实现物理一致性。这种设计使得神经网络永远不需要近似功率流方程，保证了每一个后验样本都是物理上可行的运行点。此外，由于先验模型与测量集解除绑定，一个训练好的模型可以服务于不同的测量集、噪声水平以及拓扑结构，无需针对新场景重新训练。

实验结果展示了该方法的有效性。在标准的IEEE 33节点馈线测试中，PoSE在12种不同的测试设置下，均表现出优于全协方差高斯先验模型的性能，概率注入误差（CRPS）降低了6.7%至7.5%。在不确定性量化方面，PoSE生成的90%置信区间覆盖率与理论后验样本几乎完全一致，相比之下，传统监督估计器在相同条件下的覆盖率仅介于37%至78%之间，显示出显著的不稳定性。在更大规模的240节点不平衡三相爱荷华州馈线测试中，PoSE在所有估算器中实现了最低的注入、电压及支路电流误差。特别值得注意的是，其快速变体在保持同等精度的同时，将单快照计算时间压缩至0.2至0.6秒。在7种重构拓扑结构的测试中，该模型在不进行任何重新训练的情况下，依然优于高斯先验模型和需要针对新拓扑重新训练的监督估计器。

影响分析

对于配电网运营商和电力自动化工程师而言，PoSE模型提供了一套更稳健的状态估计解决方案。传统深度学习方法往往被视为“黑盒”且缺乏物理可解释性，容易在非正常工况下产生违反物理规律的预测。PoSE通过将物理定律（功率流方程）嵌入采样过程，而非训练过程，确保了输出在物理层面的合理性。这对依赖状态估计进行实时调度、故障定位和安全评估的系统至关重要。此外，该模型无需针对拓扑变化重新训练的特性，极大地降低了运维成本。在电网结构频繁调整或接入分布式能源导致拓扑多变的场景下，PoSE的适应能力意味着运维人员不需要维护多个针对特定拓扑训练的模型，从而简化了部署流程。对于追求高可靠性电力系统的区域，PoSE提供的精确不确定性量化有助于更科学的决策，例如在不确定度较高时自动触发更密集的测量或保守的调度策略。

适用边界

该方法主要适用于中压配电网，特别是那些缺乏实时密集测量、依赖伪测量进行状态估计的场景。其核心优势在于处理拓扑变化和不同噪声水平时的泛化能力，但在高压输电网（通常拥有更密集的实时测量和不同的物理特征）中的适用性未在本文中得到验证。此外，虽然快速变体在0.2至0.6秒内完成计算，满足了大多数在线应用的需求，但若系统需要毫秒级的实时响应（如某些动态保护应用），该延迟可能仍显过大。另外，模型依赖于历史数据的流匹配训练，若电网历史数据分布发生剧烈结构性变化且缺乏近期适配数据，模型的先验准确性可能会下降。

孤本观察

基于本文事实，PoSE通过解耦物理方程学习与分布学习，展示了混合架构在科学计算中的潜力；其无需重训练即可适应拓扑变化的特性，可能成为未来智能配电网标准化状态估计模块的关键参考。

来源：arXiv cs.LG