图-物理约束的快速状态估计方法用于风电/光伏集成输电网络

《Energies》：A Graph–Physics-Constrained Fast State Estimation Method for Wind/PV Integrated Transmission Networks

　　

风电和光伏发电渗透率的增加导致输电网络运行点频繁变化，而缺失的监控与数据采集/相量测量单元（SCADA/PMU）测量值和坏数据可能进一步削弱在线状态估计的可靠性。传统的加权最小二乘（WLS）估计器具有清晰的物理含义，但在大规模滚动估计中，重复的在线矩阵求解可能变得繁重。为解决这一问题，研究人员提出了一种具有坏数据检测（BDD）和滤波功能的图-物理约束快速状态估计方法。在标准测试系统上构建了风电/光伏-负荷运行场景，混合SCADA/PMU测量值通过缺失掩码和坏数据扰动表示。填充后的测量值、测量可用性掩码和残差异常得分被用作输入特征，而网络拓扑被转换为图拉普拉斯先验。结合正则化快速映射、图拉普拉斯平滑和阈值校准残差筛选，以获得在线状态估计和坏数据标签。五种子情况研究将所提方法与WLS和Huber稳健WLS进行了比较。在case300中，平均在线时间从WLS的 ms减少到所提方法的 ms，实现了约35.08倍的加速。结果表明，所提出的线性化原型在大规模快速滚动估计或异常筛查方面最有前景，但并非在所有场景中完全替代基于模型的估计器。

**论文解读：图-物理约束的快速状态估计方法用于风电/光伏集成输电网络**

**研究背景与问题**
现代电力系统中，风电和光伏（PV）发电的大规模并网导致输电网络运行点频繁波动，同时监控与数据采集（SCADA）和相量测量单元（PMU）的测量缺失及坏数据进一步削弱了在线状态估计的可靠性。传统加权最小二乘（WLS）估计器虽具有清晰的物理解释和成熟的工程应用，但在大规模滚动估计中，需反复构建和求解法方程，在线计算时间随系统规模急剧增长，成为瓶颈。此外，现有研究对风电/光伏不确定性下的缺失测量、坏数据过滤与快速在线估计的统一框架尚不充分，而基于学习的方法虽能降低在线计算负担，但物理一致性及与传统估计工作流的衔接仍需加强。为此，研究人员提出一种图-物理约束的快速状态估计方法，旨在平衡计算速度、异常测量处理与工程可解释性，为大规模快速滚动估计或异常筛查提供初步原型。

**研究内容与结论**
论文在MATPOWER 8.1的case39、case118和case300标准测试系统上构建了风电/光伏-负荷运行场景，模拟混合SCADA/PMU测量缺失与坏数据扰动。所提方法融合网络拓扑构造的图拉普拉斯（Laplacian）先验、正则化快速映射、图平滑及阈值校准残差筛选，实现在线状态估计与坏数据检测。与WLS和Huber稳健WLS对比，五种子案例实验表明：在case300中，平均在线时间从WLS的 ms降至 ms，加速约35.08倍；坏数据检测F1-score达0.918。但该方法在较小系统（case39和case118）中的相角精度和检测性能弱于WLS和Huber稳健WLS。结论指出，该线性化原型适用于大规模快速滚动估计或异常筛查场景，而非全面替代基于模型的估计器。论文发表在《Energies》。

**关键技术方法（不超过250字）**
主要关键技术包括：①基于分支电抗构建图拉普拉斯矩阵（Laplacian），作为网络拓扑先验约束；②输入特征由填充后的测量值、测量可用性二进制掩码及残差异常得分组成（异常得分基于训练样本均值与标准差计算，在线更新）；③离线阶段使用岭回归（Ridge Regularization）从历史特征矩阵到状态矩阵学习快速映射系数；④在线阶段通过矩阵乘法完成初始状态估计，再经图平滑矩阵（系数α_s）进行后处理；⑤残差阈值法检测坏数据，阈值通过训练集上最大化F1-score确定。样本来自MATPOWER标准系统，风电/光伏场景随机生成，固定缺失率10%、坏数据率5%，训练样本数分别为600（case39）、500（case118）、360（case300），测试样本数分别为80、60、40。

**研究结果**
**4.1 测试系统与参数设置**：在case39、case118和case300上设置可再生能源渗透率30%、缺失率10%、坏数据率5%，进行五折随机实验。结果表明，所提方法在线计算时间随系统规模增长较WLS更为平缓。

**4.2 状态估计精度**：通过相角均方根误差（RMSE）、电压幅值RMSE、平均绝对误差（MAE）和最大绝对误差评估。在case39和case118中，WLS和Huber稳健WLS的相角误差更低；在case300中，所提方法的四项误差指标均低于WLS和Huber稳健WLS。说明在图拉普拉斯先验和冗余局部关系下，大系统能更有效地抑制孤立噪声，改善估计精度。

**4.3 坏数据检测性能**：采用准确率、假阳性率（FPR）、假阴性率（FNR）和F1-score评估。在case39中，所提方法因高假阳性率导致F1-score较低；在case118中，优于WLS但弱于Huber稳健WLS；在case300中，F1-score达0.918，FNR降至0.078，表明图平滑和阈值校准在大系统中增强残差可分离性。此外，在case118上扫描不同坏数据比例（1%–10%），发现F1-score随比例增大而上升，表明异常比例较高时检测更稳定。

**4.4 在线计算效率**：记录平均在线时间。所提方法在case39、case118、case300中分别耗时 ms、 ms、 ms，相对WLS的加速比分别为5.53、19.95、35.08。Huber稳健WLS因迭代重加权耗时更长。说明快速映射将主要计算转移至离线阶段，在线仅执行固定维度的矩阵运算，适合高频滚动估计。

**总结与讨论**
讨论部分指出，所提方法在较大系统中的优势归因于两点：快速映射的在线计算增长比重复WLS求解更平缓，且更大规模的图结构提供更多冗余局部拓扑和测量关系用于平滑与残差分离。但证据仅限于三个标准测试系统和随机注入的粗大误差，小系统中WLS和Huber稳健WLS仍更可靠。因此，该方法应视为快速大规模滚动估计或异常筛查的初步概念验证，而非通用替代方案。未来工作将扩展至全交流（AC）状态估计模型、采用可训练消息传递图神经网络（GNN），并引入实际测量数据、拓扑变化及网络攻击型坏数据场景。

**研究结论翻译**：
本文研究了风电/光伏集成输电网络在测量缺失和坏数据污染下的快速状态估计。提出了一种图-物理约束的快速状态估计方法。该方法从网络拓扑构造图拉普拉斯先验，结合快速映射、图平滑和残差检测，实现在线状态估计与坏数据过滤。多种子仿真结果表明，所提方法在case39、case118和case300中降低了在线计算时间。在case300中，平均在线时间从WLS的 ms降至 ms。该方法在case300中坏数据检测的F1-score达到0.918。在case300中的相对优势归因于两个因素：快速映射的在线计算增长比重复WLS求解更平缓，且更大的图结构提供更多冗余局部拓扑和测量关系用于平滑和残差分离。然而，证据仅限于三个标准测试系统及模拟的可再生能源场景和随机注入的粗大误差。其精度和坏数据检测性能依赖于场景：在较小系统中，WLS和Huber稳健WLS对相角精度更可靠，而Huber稳健WLS在case39和case118中提供更强的坏数据检测性能。因此，所提方法应被视为大规模快速滚动估计器或异常筛查器的初步概念验证，而非稳健模型基础状态估计的通用替代。