基于流匹配的贝叶斯配电系统状态估计

arXiv:2610.40728v1 公告类型：新论文 摘要：中压馈线的实时测量数据较少，因此配电系统状态估计（DSSE）依赖于二级变电站的伪测量，从贝叶斯角度看，这是一种先验。加权最小二乘法保持潮流方程的精确性，但将这一先验简化为均值和方差；而监督式深度学习估计器还需学习潮流，并且局限于特定的测量集合。我们提出 PoSE（用于状态估计的后验采样），它保留了 DSSE 的贝叶斯结构，只学习配电系统运营商未知的信息，即变电站注入功率的分布，并利用在历史数据上通过流匹配训练的神经网络对该分布建模。潮流方程、电网拓扑和测量数据仅在采样阶段通过考虑噪声的卡尔曼型校正引入。因此，神经网络从不近似潮流，但每个后验样本都是符合物理约束的运行点，且训练得到的同一个先验可适用于任意测量集合、噪声水平和拓扑。在 IEEE 33 节点馈线上，与全协方差高斯先验相比，PoSE 在全部 12 种测试设置中将注入功率的概率预测误差（CRPS）降低了 6.7–7.5%。它提供了可靠的不确定性估计：其 90% 区间包含真实注入功率的频率，几乎与精确后验样本所能达到的频率完全一致，而监督式估计器的相应区间仅在 37–78% 的情况下包含真实值。在 240 节点不平衡三相 Iowa 馈线上，它在所有估计器中实现了最低的注入功率、电压和支路电流误差。其快速变体以每个快照 0.2–0.6 秒的耗时达到相同精度，并且无需重新训练，即可在七种重构拓扑上优于高斯先验和重新训练的监督式估计器。