Robust Power System State Estimation Using Physics-Informed Neural Networks

Solon Falas

doi:10.1109/TII.2025.3582293

Robust Power System State Estimation Using Physics-Informed Neural Networks

0

PRE

AI

Charalambos Konstantinou

M

Maria K. Michael

DOI：10.1109/TII.2025.3582293

原文链接

原文求助

摘要

En 中文

现代电力系统在状态估计和实时监测方面面临重大挑战，特别是在故障条件或网络攻击下的响应速度和准确性方面。本文提出了一种基于物理信息神经网络（PINNs）的混合方法，以提升电力系统状态估计的准确性和鲁棒性。通过将物理定律嵌入神经网络架构，PINNs在正常和故障条件下均能提高输电电网应用的估计准确性，同时也有潜力解决数据篡改攻击等安全问题。实验结果表明，所提出的方法优于传统机器学习模型，在训练数据集未见子集上达到约83%更高的准确性，在完全新的无关数据集上性能提升约65%。实验还表明，在针对系统中关键母线的数据篡改攻击期间，PINN的准确性比等效神经网络高出约93%。

Keyword:

Machine learning (ML)

physics-informed neural networks (PINNs)

power systems

state estimation

Robust Power System State Estimation Using Physics-Informed Neural Networks

摘要

期刊

机构

引用论文