Multi-Source Data State Estimation of Power System Based on Denoising Diffusion Implicit Model With Data Augmentation

Maosong Zhang

doi:10.1109/tase.2026.3730792

Multi-Source Data State Estimation of Power System Based on Denoising Diffusion Implicit Model With Data Augmentation

2026-09-04

0

PRE

AI

DOI：10.1109/tase.2026.3730792

原文链接

原文求助

摘要

En 中文

准确的状态估计对电力系统安全至关重要，但数据稀缺和多源异构性等挑战依然存在。本文提出了一种新型框架，将去噪扩散隐式模型（DDIM）这一深度生成架构与先进的数据增强和多源融合技术相结合。所提出的基于物理信息的生成方法通过迭代去噪合成测量数据，在有效扩展数据流形的同时保留关键系统约束。与传统的生成方法不同，该框架引入了逆向优化的扩散过程，消除了马尔可夫依赖性，并实现了对生成迭代的自适应控制。这一架构创新显著提升了计算效率与样本保真度。为进一步增强鲁棒性，开发了一种新的多源计量融合算法，以调和不同数据源（包括PMU和SCADA测量）之间的时域和频域差异，确保状态估计中数据可靠且一致。在此基础上，构建了改进的加权最小二乘测量（WLSM）算法，以更高精度估计状态变量。全面的实证评估，包括与当代生成模型的基准比较和IEEE系统案例研究，证明了该框架在样本生成质量、估计精度和计算效率方面的卓越性能。这些结果凸显了该方法在解决多源数据融合挑战方面的有效性，标志着深度学习驱动电力系统状态估计领域的重大进展。面向实践者—本研究针对在SCADA、PMU和AMI系统的不完整或噪声数据条件下实现准确电网状态估计的关键挑战，提出了一种将去噪扩散隐式模型（DDIM）与先进多源数据融合技术相结合的实用解决方案。该方法生成逼真的合成测量值以补偿缺失数据，同时严格遵守电网物理约束，智能调和不同数据源（如慢速SCADA与快速PMU测量）的时序和精度差异，并整合了改进的加权最小二乘估计器，可自动优先处理更可靠的数据。本工作的主要优势包括处理速度显著加快、实现自动化不良数据检测与修正以减少人工干预，以及通过IEEE 118和57节点系统测试验证的可扩展性。尽管该方案需要DDIM模型的初始离线训练，并在PMU支持下达到最佳性能，但它为电网运营商提供了一种计算高效、无需重大基础设施变更的现有能量管理系统升级方案，显著提高了实时监测精度。这种数据驱动方法尤其适用于可再生能源集成增加和需求模式变化的现代电网。

Keyword:

Power system state estimation

data generation

multi-source data fusion

conditional denoising diffusion implicit modeling

Multi-Source Data State Estimation of Power System Based on Denoising Diffusion Implicit Model With Data Augmentation

摘要

期刊

机构

引用论文