DeepTL4SE：基于物理信息数据生成的电力系统状态估计深度迁移学习方法

《Energies》：DeepTL4SE: Deep Transfer Learning for Power System State Estimation via Physics-Informed Data Generation

　　

摘要

电力系统状态估计需要从含噪的测量数据中准确且及时地推断出系统状态，但往往缺乏大规模的标注运行数据，而且实际部署环境中的数据可能与离线训练数据存在差异。本文提出了基于深度迁移学习的状态估计方法——DeepTL4SE，该方法将物理信息驱动的数据生成技术与监督式迁移学习相结合。通过PIDG方法，可以针对特定的电压状态评估交流功率流关系，并直接从网络方程中生成配对测量数据与状态标签。DeepTL4SE能够输出当前电力系统的点估计值。该模型首先在基于物理原理生成的配对数据上预训练近线性网络，冻结部分早期层，然后针对目标领域的样本对剩余层进行微调。在IEEE 14节点和118节点系统上的测试结果显示，该方法的平均均方根误差低于其他所研究的近线性模型及前馈模型。对于IEEE 14节点系统，在MSE损失函数下的最佳平均均方根误差为0.01266%，而在IEEE 118节点系统中使用Huber损失函数时，最佳平均均方根误差为0.00452%。