.png){kind=icon}
返回
Power system state estimation based on graph contrastive learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126571.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电力系统的高效稳定运行依赖于准确的状态估计。传统状态估计方法通常采用高斯-牛顿法迭代求解最小化问题，但这些方法仍存在一些局限性，如数值不稳定以及收敛时间依赖初始点等问题。为解决上述问题，本文首次提出了一种基于图对比学习（GCLSE）的数据驱动状态估计模型。具体而言，该模型引入了图上的引导式表示学习（BGRL）框架，有效解决了噪声存在下估计误差过大的问题。同时，本文提出了一种基于边特征掩码的图增强方法，以保留电力系统的拓扑结构。为全面捕捉电网中节点和边的特征，模型引入了一种新型混合编码器，该编码器结合了边条件卷积神经网络（ECC）、自注意力机制和残差块，以及融合了动态传播策略和门控机制的图卷积网络（GCN）。模型提出了结合对比损失和节点状态预测损失的双优化策略，在优化模型参数的同时提升状态估计精度。实验在IEEE 39-bus系统和ACTIVSg2000系统的基线案例及N-1预想事故拓扑上展开。结果表明，GCLSE模型在电压幅值和电压相角差估计方面较现有基准模型实现了更低的误差。GCLSE模型还可为WLS方法提供更优的初始猜测值，从而加快收敛速度并缩短计算时间。所提方法的估计误差满足状态估计的工程实践要求，且符合GBT标准2.5%的误差阈值。
Keyword:
Graph contrastive learning
State estimation
Graph Convolutional Network
Edge-conditioned convolutional neural networks
Graph augmentation
期刊
IF:
7.5
论文数:
2.9W
被引数:
10.2W
机构
引用论文
分享收藏State-of-the-Art Artificial Intelligence Techniques for Distributed Smart Grids: A Review.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏
A Hybrid Modeling Method Based on Linear AR and Nonlinear DBN-AR Model for Time Series Forecasting
PREAI
分享收藏
查看更多内容