摘要
一些配电网具有电网结构薄弱和馈线部署复杂的特点，这导致线路参数等信息缺失。现有潮流计算方法严重依赖准确参数，缺乏足够的动态适应能力，使其不适合不完整信息条件。为解决这一问题，本文提出了一种由数据-物理融合驱动的配电网态势感知模型。首先，为应对线路参数不完整和不确定的双重挑战，构建了一个有界多运行工况线路参数辨识模型，并采用协方差矩阵自适应进化策略来确定线路电阻和电抗；所得参数随后用于数据增强。接下来，通过结合物理信息神经网络和专家混合架构，开发了一个配电网态势感知模型。通过这种方式，将数据驱动学习与物理约束相结合，从而在保留深度学习感知能力的同时，使模型仍然由潮流物理规律指导。最后，使用IEEE 33节点系统和某中国实际配电区域的历史运行数据对模型进行了验证。结果表明，所提出的模型在IEEE 33节点系统上优于对比方法，并有效地跟踪了实际配电区域中的多个状态变量，支持了其在不完整信息条件下的可行性。
