用于电力系统中有限数量 PMU 动态状态估计的浅层循环解码器

动态状态估计（DSE）将通过提供系统状态的实时估计并增强态势感知，在未来的电力系统运行中发挥基础性作用。现有的 DSE 方法主要基于卡尔曼滤波器变体或机器学习（ML）技术。然而，基于卡尔曼的方法通常存在计算复杂度高、对模型不准确敏感以及在强非线性运行条件下性能下降的问题。此外，它们的有效性严重依赖于测量的数量和位置，因为次优的 PMU 位置会降低可观测性，甚至使状态估计不可行。机器学习方法缓解了其中一些限制，但通常需要大量的训练数据，并且可能难以泛化。为了解决这些挑战，本文提出了一种用于从稀疏测量中重建电力系统全状态的浅层循环解码器（SHRED）架构。与传统的基于模型的估计器不同，所提出的方法不依赖于精确的物理模型，并且对 PMU 位置基本不敏感，这使得它对于在现有广域测量系统（WAMS）中的实际部署特别有吸引力。该方法在 IEEE 39 节点系统上进行了验证，该系统处于强非线性条件下，包括短路扰动。结果表明，SHRED 仅使用有限数量的 PMU 测量即可准确重建完整的系统状态，在稀疏测量场景中始终优于最先进的浅层解码器基准。此外，所提出的框架对测量噪声表现出很强的鲁棒性，即使在严重扰动下也能保持较高的重建精度，突显了其作为传统 DSE 技术的可扩展且可靠的替代方案的潜力。