将潮流计算嵌入机器学习以进行参数与状态估计

电力系统中现代的状态与参数估计包含两个阶段：外层问题是在网络参数上最小化网络观测与预测之间的失配，内层问题是在给定参数值下预测系统状态。该组合问题的标准解法是迭代式的：(a) 设定参数，例如对电力线路特性取先验；(b) 将输入观测映射为输出预测；(c) 计算预测输出与观测输出之间的失配；(d) 在参数空间中进行梯度下降步以最小化失配，并循环回到 (a)。我们展示了现代机器学习（ML），特别是由自动微分引导的训练，如何能够更高效地消解这一迭代循环。此外，我们将该方案推广至不完全观测的情形，其中相量测量单元（报告有功与无功功率、电压及相位）仅在发电机（PV 节点）处可用，而负荷（PQ 节点）仅通过 SCADA 控制报告有功与无功功率。从实现视角看，我们解决参数与状态估计问题的方法可视为将潮流（PF）求解器嵌入机器学习框架（本研究中为 PyTorch）的训练循环中。我们认为，这种嵌入有助于解决电力系统运行与规划中的高层优化问题。