低压电网基于神经网络的状态估计器中的输出到应用误差传播问题

《IEEE Transactions on Smart Grid》：Output-to-Application Error Propagation in Neural Network-Based State Estimators for LV Grids

　　

摘要：

在低压配电网中，由于测量数据有限、运行状态不平衡以及计算负担较大，状态估计是一项具有挑战性的任务。尽管近期基于神经网络的估计器在电压幅值估计方面表现出较高精度，但其在下游应用中的可靠性仍需进一步研究。本文提出了一种多任务神经网络框架，利用有限的测量数据来估计欧洲型三相四线不平衡低压电网中的相地电压幅值。该模型不仅从预测状态变量的精度角度评估其可靠性，还研究了估计误差对衍生电气量产生的影响。研究结果表明，即便较小的电压估计误差也可能导致功率计算结果出现显著偏差。基于这一发现，该框架将神经网络的输出用于初始化传统估计器，从而在不降低精度的前提下大幅缩短收敛时间。研究还表明，精确的初始输出并不一定能保证可靠的衍生结果，这凸显出需要根据应用需求及各电力公司的具体要求制定相应的评估策略。文章同时探讨了对于这类应用而言，仅基于神经网络的模型究竟能否被视为完整的状态估计器，还是仅仅能提供某些电气变量近似值的工具。