[论文解读] Mapping Rule Estimation for Power Flow Analysis in Distribution Grids

Jiafan Yu, Yang Weng+1 more|arXiv (Cornell University)|Feb 25, 2017

Optimal Power Flow Distribution参考文献 19被引用 6

一句话总结

该论文提出了一种基于支持向量回归（SVR）的数据驱动方法，用于在系统模型不完整、数据缺失以及存在未建模主动控制器的配电网中估计潮流映射规则。该方法相比传统回归方法更具鲁棒性，能够有效应对异常值、部分测量和非线性控制器动态，无需掌握完整网络拓扑或线路参数信息，即可实现对电压和功率注入的精确预测。

ABSTRACT

The increasing integration of distributed energy resources (DERs) calls for new monitoring and operational planning tools to ensure stability and sustainability in distribution grids. One idea is to use existing monitoring tools in transmission grids and some primary distribution grids. However, they usually depend on the knowledge of the system model, e.g., the topology and line parameters, which may be unavailable in primary and secondary distribution grids. Furthermore, a utility usually has limited modeling ability of active controllers for solar panels as they may belong to a third party like residential customers. To solve the modeling problem in traditional power flow analysis, we propose a support vector regression (SVR) approach to reveal the mapping rules between different variables and recover useful variables based on physical understanding and data mining. We illustrate the advantages of using the SVR model over traditional regression method which finds line parameters in distribution grids. Specifically, the SVR model is robust enough to recover the mapping rules while the regression method fails when 1) there are measurement outliers and missing data, 2) there are active controllers, or 3) measurements are only available at some part of a distribution grid. We demonstrate the superior performance of our method through extensive numerical validation on different scales of distribution grids.

研究动机与目标

• 解决配电网潮流分析中系统拓扑、线路参数和控制器模型常未知或不完整所带来的挑战。
• 克服传统回归方法在测量噪声、数据缺失或主动控制器动态影响下失效的局限性。
• 开发一种数据驱动方法，学习功率注入与电压相量之间的映射关系，而无需依赖物理系统模型。
• 在部分可观测、测量误差和非线性控制行为等场景下，确保方法的鲁棒性与准确性。
• 实现基于潮流的应用（如状态估计和最优潮流）在实际配电网中的实用化部署。

提出的方法

• 采用带核技巧的支持向量回归（SVR）建模配电网中功率注入与电压相量之间的非线性映射关系。
• 利用来自可用母线的历史测量数据（包括电压幅值、相角、有功功率注入和无功功率注入）对SVR模型进行训练。
• 利用SVR的结构风险最小化原则，防止过拟合，确保在数据有限或噪声较大的情况下仍具备良好的泛化能力。
• 在仅获得部分测量数据时，应用Kron简化法近似隐藏母线的导纳矩阵，从而实现在可观测性不完整的条件下的模型训练。
• 设计核函数以捕捉由第三方控制器（如电压下垂调节器）引入的复杂非线性关系。
• 通过包含不同测量误差水平、数据缺失和主动控制器存在的合成与真实配电网测试案例验证模型性能。

实验结果

研究问题

• RQ1 当系统参数和拓扑未知时，数据驱动方法能否准确估计配电网中的潮流映射规则？
• RQ2 在存在测量异常值和数据缺失的情况下，所提出的SVR方法相较于传统回归方法表现如何？
• RQ3 SVR在多大程度上能够建模未建模的主动控制器（如基于电压幅值平均值的无功功率下垂控制器）所引入的非线性控制逻辑？
• RQ4 当网络中仅部分母线有测量数据时，SVR模型的鲁棒性如何？
• RQ5 在理想条件下，基于SVR的映射规则估计能否达到与物理模型相当的精度，同时在真实世界数据缺陷下仍保持鲁棒性？

主要发现

• 当测量完美且系统模型完全已知时，SVR模型的性能与传统回归方法相当，验证了其与物理定律的一致性。
• 在存在测量异常值和数据缺失的情况下，SVR模型显著优于线性回归，后者无法收敛或产生较大误差。
• 即使存在未建模的主动控制器（如基于电压幅值平均值的无功功率下垂控制器），SVR模型仍保持高精度，而回归方法无法捕捉其非线性行为。
• 随着电压调节控制器中下垂系数的增加，SVR模型保持鲁棒，而回归模型性能急剧下降。
• 在仅测量10个母线中的6个的局部可观测场景下，SVR模型能准确预测电压和功率潮流，展现出在数据有限条件下的强大泛化能力。
• 在引入具有不同标准差的测量误差时，SVR模型始终优于回归方法，证实其在真实世界条件下的鲁棒性。