从不完美信号到可信结构：来自异构且可靠性不同的效用数据的置信感知推断

准确的配电网拓扑结构对可靠的现代电网运营至关重要。然而，真实世界的效用数据来源于多个具有不同特征和质量水平的数据源。本文提出了一个可扩展框架，通过系统性地整合异构数据来重建可信的网格拓扑结构。我们观察到，配电拓扑结构根本上由两个互补维度决定：物理基础设施的空间布局（例如 GIS 和资产元数据）和系统在信号域中的动态行为（例如电压时间序列）。当这两个维度联合使用时，可支持网络连接的完整且物理连贯的重建。为解决数据质量不均而不损害可观测性的挑战，我们引入一种置信感知推断机制，既保留结构信息丰富又不完美的输入，又为每条推断连接量化其可靠性，以供操作员解读。这种对不确定性的柔性处理与硬性物理可行性约束紧密耦合：我们直接将操作约束（如变压器容量限制和径向拓扑要求）嵌入学习过程中。总体而言，这些组件确保推断既是不确定性感知的，又是结构上有效的，使其在现实部署条件下能够快速收敛到可操作、可信的拓扑结构。该框架使用来自 Oncor 服务区域 3 条配电网中 8000 多台电表的数据进行验证，显示在拓扑重建准确率超过 95%，在置信度校准和计算效率方面相对于基线方法实现了显著提升。