基于K近邻伪测量与上下文鲁棒对抗重加权的数据驱动配电系统状态估计方法

《CSEE Journal of Power and Energy Systems》：Contextual Robust State Estimation in Distribution Systems with Real-Time Unobservability and Scarce Data

　　

摘要：

配电系统状态估计面临双重信息短缺：实时测量过于稀疏，无法保证可观性；而历史数据尽管数量庞大，但由于网络条件的快速演变，其代表性受到限制。本文提出了一种数据驱动的方法论，同时解决这两个挑战。我们首先引入一种K近邻估计器，用于近似给定可用实时上下文条件下延迟测量的条件分布，将状态估计表述为在合理的伪测量场景上的加权最小二乘问题。在此基础上，我们开发了一种上下文鲁棒状态估计器（CR-SE），通过在最邻域上优化对抗性重新加权来对冲伪测量固有的统计不确定性，同时受上下文邻近性和单调性约束。CR-SE旨在对冲伪测量生成过程中固有的统计不确定性——即其条件分布的潜在误指定——而非粗大误差或坏数据。由此产生的极小极大问题具有与基线估计器可处理性相当的等效单层重构，并且一种数据驱动的在线程序使用最近的训练实例作为验证代理来选择鲁棒性参数。在IEEE 38节点和修改后的IEEE 123节点辐射网络，以及IEEE 30节点有源配电网的数值实验表明，CR-SE在所有测试的测量可用性、训练规模和负荷水平配置下，均严格且一致地优于基线方法，在辐射网络中尾部误差改善最高达9%和11%，在有源配电网中最高达18%，且性能差距恰恰在基线方法最脆弱的配置中进一步拉大。