基于拓扑感知图神经网络的状态估计方法，用于无法观测功率系统的流式式电流互感器（PMU）

《IEEE Transactions on Power Systems》：Topology-Aware Graph Neural Network-Based State Estimation for PMU-Unobservable Power Systems

　　时间同步状态估计面临计算负担高、PMU覆盖不足和非高斯噪声等问题，本文提出基于图神经网络的深度几何学习方法，通过图卷积与多头注意力机制处理拓扑变化和实时数据丢失，并推导误差上界，实验验证其优越性。

　　

摘要：

传统的基于优化的时间同步状态估计（SE）技术通常面临较高的在线计算负担、有限的逆变器式相位测量单元（PMU）覆盖范围以及非高斯测量噪声的问题。尽管已经开发了基于学习的模型来克服这些挑战，但它们会受到拓扑变化和实时数据丢失的负面影响。本文提出了一种基于图神经网络（GNNs）的新型深度几何学习方法，用于估计PMU无法观测的电力系统的状态。该方法结合了图卷积和多头图注意力层，构建在一个定制的端到端学习框架中，以处理拓扑变化和实时数据丢失问题。同时，还推导出了SE误差关于拓扑变化的上限。针对不同测试系统的实验结果表明，在存在拓扑变化、PMU故障、数据异常、非高斯测量噪声和大型系统部署的情况下，所提出的定制GNN-SE（CGNN-SE）方法优于传统的基于优化的技术和基于学习的模型。

引言

静态状态估计（SE）在能源管理系统中起着关键作用，因为它为实时应急分析和动态安全评估等关键应用提供了输入[1]、[2]。考虑到现代基于逆变器的资源丰富型电力系统对高速（亚秒级）态势感知的需求[3]，人们对基于PMU辅助的混合状态估计器和仅使用PMU的线性状态估计器越来越感兴趣[4]、[5]。这些估计器在本文中统称为基于优化的SE技术，并已成为众多研究的焦点（例如，参见[6]）。然而，基于PMU辅助的混合状态估计器可能会受到同步不完美和时间偏移误差的影响[7]、[8]。此外，为缓解这些问题而提出的策略[9]、[10]、[11]通常计算成本较高，导致混合状态估计器的运行时间变慢[12]。相比之下，仅使用PMU的线性SE（LSE）要求所有节点都能被PMU完全观测到[13]。如[14]中的前两个表格所示，许多电力公司仍然无法对其大规模电力系统实现完整的PMU覆盖。此外，基于优化的SE技术通常具有较高的在线计算负担，并且对非高斯测量噪声的鲁棒性有限[15]、[16]。