⚡ electrical engineering

Physics-Informed Neural Networks for Accelerating Power System State Estimation

本文提出了一种利用物理信息神经网络（PINNs）将物理定律作为先验知识融入功率系统状态估计的新方法，该方法在 IEEE 14 节点系统实验中实现了精度提升 11%、结果标准差降低 75% 以及收敛速度加快 30% 的显著效果，有效克服了传统迭代算法计算量大的问题。

原作者： Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

发布于 2026-04-07

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何让电力系统的“大脑”反应更快、更聪明的故事。

想象一下，电力系统（电网）就像一个巨大的、复杂的人体。

电压和电流就像是人体的血压和心跳。
状态估计（State Estimation）就是医生在给病人做体检，通过测量数据来判断身体（电网）现在的健康状况是否正常。

1. 老方法的问题：像“老中医”慢慢把脉

传统的电网监测方法（就像老中医）非常依赖反复试错。

医生（算法）拿到病人的数据（SCADA 测量值），猜一个病情，算一下对不对，不对就再猜一次。
对于小病（小电网），这招还行。但对于像现代电网这样庞大、复杂的系统，这种“猜 - 算 - 再猜”的过程太慢了，而且如果数据有点噪音（比如病人手抖了），医生就容易猜错。
特别是现在有了PMU（相量测量单元），就像给病人戴上了24 小时智能手环，数据更新极快（每秒几十次）。老方法根本来不及处理这么多数据，导致医生反应迟钝，抓不住突发的“心脏病发作”（电网故障）。

2. 新方法：给 AI 装上“物理常识”

这篇论文提出了一种叫**物理信息神经网络（PINNs）**的新方法。

普通的 AI（传统神经网络）：就像一个死记硬背的学生。它看了很多历史病历（数据），记住了“发烧通常伴随咳嗽”。但如果遇到一个没见过的怪病，或者数据很少，它就容易瞎猜，因为它不懂背后的医学原理。
PINN（物理信息神经网络）：就像是一个既背了病历，又精通解剖学和生理学原理的医学天才。
- 它不仅看数据，还强制自己遵守物理定律（比如能量守恒、基尔霍夫定律）。
- 这就好比，无论数据怎么变，它都知道“人不能在没有心脏的情况下跳动”或者“电流不能凭空消失”。

3. 它是如何工作的？（两个“老师”同时教学）

论文中提到的训练过程，就像给这个 AI 学生安排了两位老师：

数据老师（Data-driven）：拿着历史数据说：“看，上次电压是 100V，电流是 5A，你要学会这个规律。”（这部分叫 $u$ ）。
物理老师（Physics-driven）：拿着物理公式说：“不管数据怎么变，电压和电流必须符合欧姆定律和能量守恒！如果你算出来的结果违背了物理定律，我就扣分！”（这部分叫 $f$ ）。

训练过程就是让 AI 在两位老师的指导下，既要看懂数据，又绝对不能违反物理常识。

4. 实验结果：快、准、稳

作者用了一个标准的14 节点电网模型（就像用了一个标准的“模拟病人”）来测试，结果非常惊人：

更准（Accuracy +11%）：就像体检报告更精准了，误诊率更低。
更稳（标准差减少 75%）：就像这位医生每次看病，给出的结论都非常一致，不会今天说“健康”，明天说“病危”，稳定性极高。
更快（收敛快 30%）：这是最关键的！传统的“老中医”可能需要把脉 1000 次才能确诊，而这位“物理天才”只需要把脉 700 次左右就能达到同样的准确度。这意味着在电网发生突发故障时，它能抢在事故扩大前做出反应。

5. 总结与比喻

如果把电网管理比作驾驶一辆在高速公路上飞驰的赛车：

传统方法是看着后视镜（历史数据）慢慢调整方向盘，反应慢，容易在急转弯时失控。
普通 AI是看着后视镜，但司机是个新手，虽然反应快，但不懂空气动力学，容易在极端情况下做出错误判断。
这篇论文提出的 PINN，是给赛车装上了符合空气动力学的自动驾驶系统。它不仅看后视镜，还时刻计算着风阻、摩擦力等物理定律。因此，它不仅能开得更快（处理实时数据），还能开得更稳（抗干扰），在遇到突发状况（如发电机突然跳闸）时，能瞬间做出最正确的反应。

一句话总结：
这篇论文通过给人工智能注入“物理常识”，让电网的监控系统变得更聪明、更快速、更可靠，为未来拥有海量实时数据的智能电网铺平了道路。

以下是基于论文《Physics-Informed Neural Networks for Accelerating Power System State Estimation》（物理信息神经网络加速电力系统状态估计）的详细技术总结：

1. 研究背景与问题 (Problem)

核心挑战：电力系统状态估计（State Estimation, SE）是电网控制中心的基石，用于确定系统的运行状态。传统的状态估计方法（如高斯 - 牛顿法、加权最小二乘法）依赖于迭代算法，计算量大，尤其在大规模系统中。
数据局限性：传统方法依赖 SCADA 系统，存在数据稀疏、误差大和报告率低的问题，导致估计延迟和精度下降。
现有机器学习的不足：虽然机器学习（如普通神经网络）能加速估计，但纯数据驱动的方法往往忽略了电力系统的物理定律和约束。这导致模型在数据有限、噪声大或系统工况偏离训练数据时，容易产生不符合物理规律的预测，且缺乏可解释性。
实时性需求：随着相量测量单元（PMU）的普及，电力系统对实时、高频的状态估计需求增加，传统迭代方法难以满足快速响应的要求。

2. 方法论 (Methodology)

本文提出了一种**物理信息神经网络（PINN）**框架，将电力系统的物理定律作为先验知识嵌入到神经网络的训练过程中。

网络架构：
- 采用前馈神经网络（Feedforward NN），包含 1 个隐藏层（32 个神经元），激活函数为双曲正切（Tanh），优化器为 Adam。
- 输入：节点的有功功率（ $P_i$ ）和无功功率（ $Q_i$ ）注入量。
- 输出：各节点的电压幅值（ $V_{mag}$ ）和电压相角（ $V_{ang}$ ）。
损失函数设计（核心创新）：
传统的损失函数仅基于数据误差（MSE），而本文提出的 PINN 损失函数由两部分组成，并通过权重系数 $\lambda_1$ 和 $\lambda_2$ 进行平衡：
$\text{Loss} = \lambda_1 \cdot u + \lambda_2 \cdot f$
- 数据驱动部分 ( $u$ )：预测电压与真实电压（Ground Truth）之间的均方误差（MSE）。
- 物理驱动部分 ( $f$ )：基于基尔霍夫定律和导纳矩阵的物理约束。利用预测的电压（ $V_{pred}$ ）和系统导纳矩阵（ $Y$ ）计算预测的电流注入（ $I_{pred} = Y \cdot V_{pred}$ ），并将其与基于真实数据计算的电流注入（ $I_{true}$ ）进行对比，计算平均绝对误差（MAE）。
- 归一化：为防止量纲不一致，两部分误差均被归一化到 [0, 1] 区间。
训练策略：
- 采用5 折交叉验证以确保结果的稳健性。
- 设计了动态调整策略：在训练初期侧重数据驱动（ $\lambda_1$ 较高），随着训练进行，逐渐降低 $\lambda_1$ 并增加 $\lambda_2$ （如每 100 个 Epoch 调整 10%-50%），使模型从学习数据分布逐渐过渡到严格遵循物理约束。

3. 关键贡献 (Key Contributions)

提出新型 PINN 架构：首次将电流注入约束（基于导纳矩阵）作为正则化项引入电力系统状态估计的神经网络训练中，无需针对特定拓扑设计网络结构，具有通用性。
解决数据稀缺与物理一致性矛盾：通过物理约束正则化，减少了对海量标注数据的依赖，并确保了预测结果符合电力系统的基本物理定律（如功率平衡、欧姆定律）。
加速收敛与提升稳定性：证明了物理先验知识不仅能提高精度，还能显著加快模型收敛速度，并降低不同训练折次间的结果波动（即提高算法稳定性）。

4. 实验结果 (Results)

实验在 IEEE 14 节点系统上进行，测试了两种场景：稳态工况（负载变化）和暂态工况（发电机突然停机及恢复）。

精度提升：
- 在稳态场景下，PINN 的平均估计精度比基准普通神经网络（NN）提高了 6.7%。
- 在发电机停机暂态场景下，精度提高了 4.6%。
- 综合实验显示，PINN 最高可实现 11% 的精度提升。
稳定性增强：
- PINN 显著降低了结果的标准差。在稳态数据集中，标准差降低了 57.8%；在暂态数据集中降低了 56.6%。这表明模型对训练数据的微小变化不敏感，泛化能力更强。
收敛速度：
- PINN 达到最佳性能所需的训练轮次（Epoch）更少。相比基准 NN，PINN 在稳态场景下收敛速度快 18.1%，在暂态场景下快 24.6%。
- 这意味着在达到相同精度时，PINN 需要更少的计算资源和训练时间。

5. 意义与展望 (Significance)

实时性突破：该方法为利用 PMU 高频数据进行实时状态估计提供了可行的加速方案，解决了传统迭代算法延迟高的问题。
鲁棒性：在数据噪声大或观测不全（未来工作将探索）的情况下，物理约束能有效防止模型产生荒谬的预测，提高了电网监控的可信度。
通用性：该方法不依赖于特定的传感器布置（如 PMU 的最优位置），也不依赖时间序列建模，适用于多种量测配置和系统拓扑。
未来方向：作者计划进一步研究在低可观测性场景下的应用，进行超参数微调，并探索 PINN 在故障检测与诊断中的表现。

总结：该论文成功证明了将物理定律嵌入神经网络（PINN）是加速电力系统状态估计的有效途径。它不仅解决了传统机器学习模型缺乏物理可解释性的问题，还在精度、稳定性和收敛速度上全面超越了纯数据驱动的基准模型，为未来智能电网的实时监控提供了强有力的技术支撑。