[论文解读] Bayesian State Estimation for Unobservable Distribution Systems via Deep Learning

Kursat Rasim Mestav, Jaime Luengo-Rozas+1 more|arXiv (Cornell University)|Nov 7, 2018

Water Systems and Optimization参考文献 50被引用 11

一句话总结

本文提出了一种基于深度学习的贝叶斯状态估计框架，用于不可观测的配电系统，利用智能电表数据学习功率注入分布，并训练神经网络以实现实时的最小均方误差状态估计。该方法在存在缺失、延迟或不一致测量数据的情况下，即使在多个时间尺度下，也能实现鲁棒且计算成本低的估计，优于伪测量技术。

ABSTRACT

The problem of state estimation for unobservable distribution systems is considered. A deep learning approach to Bayesian state estimation is proposed for real-time applications. The proposed technique consists of distribution learning of stochastic power injection, a Monte Carlo technique for the training of a deep neural network for state estimation, and a Bayesian bad-data detection and filtering algorithm. Structural characteristics of the deep neural networks are investigated. Simulations illustrate the accuracy of Bayesian state estimation for unobservable systems and demonstrate the benefit of employing a deep neural network. Numerical results show the robustness of Bayesian state estimation against modeling and estimation errors and the presence of bad and missing data. Comparing with pseudo-measurement techniques, direct Bayesian state estimation via deep learning neural network outperforms existing benchmarks.

研究动机与目标

• 解决在测量数据有限、不可靠或延迟的情况下，不可观测配电系统的状态估计挑战。
• 克服传统伪测量技术的局限性，这些技术依赖于启发式插值或历史预测，时间分辨率较差。
• 开发一种实时、计算高效的估计方法，整合不同时间尺度下的异构数据源（例如智能电表和SCADA）。
• 通过贝叶斯推断框架，实现对建模误差、坏数据和缺失测量的鲁棒状态估计。
• 从慢时间尺度的智能电表数据中学习功率注入的底层概率分布，用于训练深度神经网络估计器。

提出的方法

• 对智能电表数据拟合高斯混合模型，以估计快速时间尺度下的功率注入分布，假设其平稳且具有共同的底层物理模型。
• 使用AR-K过程模型，将聚合智能电表数据（在T个时间间隔内）的方差与单个快速时间注入的方差关联起来，从而实现从慢速测量中学习分布。
• 通过蒙特卡洛采样训练深度神经网络，以近似系统状态的最小均方误差（MMSE）贝叶斯估计器。
• 网络架构设计包含多个非线性层，采用ReLU激活函数和可学习权重，将测量值映射到状态估计值。
• 集成预估计贝叶斯坏数据检测与滤波算法，以提高对错误或缺失测量的鲁棒性。
• 从数据中学习状态与测量的联合分布，实现在无需完全系统可观测性的情况下进行估计。

实验结果

研究问题

• RQ1 通过蒙特卡洛采样训练的深度神经网络，能否有效近似不可观测配电系统的贝叶斯MMSE估计器？
• RQ2 能否利用高斯混合模型与AR过程模型，从慢时间尺度的智能电表数据中准确推断出功率注入分布？
• RQ3 在缺失或坏数据条件下，与基于伪测量的方法相比，所提方法在估计精度和鲁棒性方面提升程度如何？
• RQ4 在实时应用中，基于深度学习的贝叶斯估计器相比传统WLS方法在计算优势方面表现如何？
• RQ5 该方法在处理测量时间尺度不匹配问题（如15分钟智能电表数据与亚分钟级SCADA测量）方面表现如何？

主要发现

• 所提出的基于深度学习的贝叶斯状态估计器在精度上显著优于基准伪测量技术，尤其在数据稀缺或受损情况下表现更优。
• 由于贝叶斯框架固有的不确定性量化能力，该方法对建模误差、坏数据和缺失测量表现出鲁棒性。
• 神经网络估计器的计算成本比传统WLS方法低几个数量级，可实现实时部署。
• 从智能电表数据中学习到的注入分布，即使在缺乏直接测量的情况下，也能实现对快速时间尺度功率注入的精确估计。
• 通过AR-K过程对快速时间注入的时序相关性进行建模，可精确推导出个体注入方差，从而由聚合智能电表方差得出。
• 所提出的框架通过学习底层随机注入动态，成功缓解了慢速智能电表数据与快速SCADA测量之间的不匹配问题。