基于图神经网络的电力系统分布式非线性状态估计
机器学习
2022-09-09 v2 信号处理
摘要
非线性状态估计(SE)旨在基于电力系统中各类可用测量估计复母线电压,通常借助迭代Gauss-Newton法求解。当同时考虑来自相量测量单元与监控与数据采集系统的输入时,非线性SE面临若干困难,包括数值不稳定性、收敛时间依赖于迭代法起点,以及单次迭代关于状态变量数的二次计算复杂度。本文提出一种基于图神经网络的SE实现,构建于非线性电力系统SE的增广因子图之上,能够融合支路与母线上的测量以及相量与传统测量。所提回归模型一经训练,在推理时具有线性计算复杂度,并可分布式实现。由于该方法非迭代且非基于矩阵,其对Gauss-Newton求解器易发问题具有鲁棒性。除测试集上的预测精度外,所提模型在模拟网络攻击及因通信异常导致的不可观测场景时亦展现鲁棒性:预测误差被局部维持,不影响电力系统其余部分的估计结果。
引用
@article{arxiv.2207.11465,
title = {Distributed Nonlinear State Estimation in Electric Power Systems using Graph Neural Networks},
author = {Ognjen Kundacina and Mirsad Cosovic and Dragisa Miskovic and Dejan Vukobratovic},
journal= {arXiv preprint arXiv:2207.11465},
year = {2022}
}