⚡ electrical engineering

Robust Power System State Estimation using Physics-Informed Neural Networks

本文提出了一种基于物理信息神经网络（PINN）的混合方法，通过将物理定律嵌入网络架构，显著提升了电力系统状态估计在正常、故障及数据篡改攻击等复杂场景下的准确性与鲁棒性，其性能在多项实验中均优于传统机器学习模型。

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

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网变得更聪明、更抗揍的故事。

想象一下，现代电网就像是一个巨大的、复杂的人体血液循环系统。

电压和电流是血液。
发电厂是心脏。
输电线是血管。
状态估计（State Estimation） 就像是医生的“体检”，需要实时知道身体里哪里血压高了、哪里血流慢了，才能确保人（电网）不出事。

1. 现在的困境：老医生和假病历

传统的“体检医生”（传统算法）主要靠两样东西：

死记硬背的公式（物理定律）：但这算得太慢，而且遇到突发情况（比如有人突然猛跑，或者血管突然堵塞）就反应不过来。
看过去的病历（纯数据驱动/AI）：现在的 AI 很聪明，看了很多病历就能猜出病情。但是，如果坏人篡改了病历（比如黑客把发烧的数据改成正常），AI 就会信以为真，导致误诊，甚至让电网崩溃。

痛点：现在的电网越来越复杂（加了太阳能、风能，像天气一样变化无常），而且经常有人搞破坏（黑客攻击）。老方法要么太慢，要么太容易被骗。

2. 新方案：给 AI 装上一副“物理眼镜”

这篇论文提出了一种叫 PINN（物理信息神经网络） 的新方法。

打个比方：
普通的 AI 就像一个只会死记硬背的学生。你给他看 1000 张“发烧”的照片，他就能认出发烧。但如果给他看一张被 P 图过的“假发烧”照片，他可能就会晕头转向。

而 PINN 就像是一个既背了书，又懂解剖学的天才医生。

他不仅看照片（数据）。
他还脑子里时刻装着人体解剖学定律（物理定律，比如能量守恒、基尔霍夫定律）。
核心逻辑：如果 AI 算出来的结果违背了物理定律（比如“能量凭空消失了”或者“电压突然违背了电路规则”），不管数据看起来多像真的，PINN 都会大喊：“不对！这违反物理常识，肯定是假的！”

3. 他们是怎么做的？（训练过程）

研究人员把这种“物理定律”直接写进了 AI 的考试评分标准（损失函数） 里：

数据分：你的预测和真实测量值越接近，分越高。
物理分：你的预测必须符合物理公式（比如电压和电流的关系）。如果不符合，哪怕数据再像，也要扣分。
常数分：有些东西是固定的（比如某些发电机的电压是恒定的），如果预测变了，也要扣分。

通过这种“双重打分”，AI 被迫学会在尊重物理规律的前提下，去拟合数据。

4. 实验结果：真的管用吗？

研究人员在两个著名的“模拟电网”（14 个节点和 118 个节点）上做了测试，结果非常惊人：

场景一：正常日子
PINN 比普通的 AI 更准，就像那个懂解剖的医生，体检报告更精准。
场景二：突发故障（比如短路、发电机跳闸）
普通 AI 会慌，预测乱跳；PINN 因为有物理定律兜底，表现非常稳定，就像经验丰富的老医生，遇到急症也能稳住阵脚。
场景三：黑客攻击（最精彩的测试）
假设黑客篡改了某个关键节点的传感器数据（比如把“电压过高”改成“正常”）。
- 普通 AI：被忽悠了，以为没事，结果导致电网崩溃。
- PINN：它发现虽然数据说“正常”，但根据物理定律，这个状态根本不可能存在（就像医生说“你体温 36 度，但你的脉搏已经停了，这不可能”）。于是，PINN 直接识破了谎言，准确率比普通 AI 高出 93%！

5. 总结：这意味着什么？

这篇论文告诉我们，未来的电网监控不能只靠“大数据”，必须把物理世界的铁律也教给 AI。

一句话总结：
这就好比给自动驾驶汽车装上了“物理常识”的刹车。以前 AI 只看摄像头（数据），如果摄像头被贴纸挡住（黑客攻击）就会撞车；现在 AI 脑子里还有“惯性定律”和“摩擦力公式”，即使摄像头被挡，它也能算出“车不可能停在这里”，从而紧急刹车，保证安全。

最终效果：电网更聪明、更准确，而且再也骗不了它，即使面对黑客攻击或突发故障，也能稳稳当当。

基于物理信息神经网络（PINN）的鲁棒电力系统状态估计技术总结

1. 研究背景与问题 (Problem)

随着全球电力需求增长、可再生能源整合及智能电网技术的发展，现代电力系统面临着前所未有的复杂性。传统的状态估计方法（如加权最小二乘法 WLS）和纯数据驱动的机器学习方法存在以下显著局限性：

传统方法：依赖迭代过程，计算量大，实时性差，且难以处理稀疏数据和快速波动的可再生能源。
纯数据驱动方法（如普通神经网络）：虽然执行速度快，但往往忽略了电力系统的物理约束（如基尔霍夫定律、功率平衡方程）。这导致模型在数据稀缺、工况剧烈变化或面临**网络攻击（如虚假数据注入 FDI）**时，泛化能力差，预测结果可能违背物理规律，缺乏鲁棒性。
核心挑战：如何在保证实时性的同时，提高状态估计在故障、瞬态过程及数据篡改攻击下的准确性和鲁棒性。

2. 方法论 (Methodology)

本文提出了一种混合框架，利用**物理信息神经网络（Physics-Informed Neural Networks, PINNs）**将物理定律嵌入到神经网络的训练过程中，以增强状态估计的准确性与鲁棒性。

2.1 核心架构

输入与输出：
- 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（ $V_i$ ）和相角（ $\theta_i$ ），即复电压。
损失函数设计：
传统的损失函数仅最小化预测值与真实值的误差（ $L_{data}$ $L_{d a t a}$ ）。本文提出的 PINN 损失函数由三部分组成：
$Loss = \lambda_d \cdot d + \lambda_p \cdot p + \lambda_c \cdot c$
其中：
- $d$ (数据项)：预测电压与真实电压之间的均方误差（MSE）。
- $p$ (物理项)：基于物理定律的约束误差。利用导纳矩阵（ $Y$ ）和预测电压计算注入电流（ $I_{est} = Y \cdot V_{est}$ ），并与基于真实数据计算的电流（ $I_{true}$ ）进行比较，强制模型满足基尔霍夫电流定律（KCL）。
- $c$ (常数项)：利用已知的系统常数（如平衡节点的电压幅值/相角、发电机节点的电压调节约束）作为约束，最小化预测值与已知常数的偏差。
- $\lambda$ ：权重系数，通过系统化的超参数优化确定，确保 $\lambda_d + \lambda_p + \lambda_c = 1$ 。

2.2 系统化的超参数优化

为了平衡数据驱动项与物理约束项，并优化网络结构，作者采用了一种基于**元优化器（Meta-optimizer）**的系统化方法：

使用**树结构帕森估计器（TPE）**自动搜索最佳的网络架构（层数、神经元数量）和训练参数（学习率、批次大小）。
对损失函数权重（ $\lambda_d, \lambda_p, \lambda_c$ ）进行组合搜索，以找到在特定场景下性能最优的配置。

3. 主要贡献 (Key Contributions)

提出混合模型：构建了一个将物理定律（功率流方程、导纳矩阵关系）直接嵌入神经网络损失函数的混合模型，显著提升了状态估计的物理一致性。
全面基准测试：在 IEEE 14 节点和 IEEE 118 节点系统上进行了广泛的实验，涵盖了稳态、发电机停机、功率波动、三相故障及数据篡改攻击等多种场景。
显著提升鲁棒性：证明了 PINN 在面对未知工况（泛化能力）和恶意数据攻击时，相比传统神经网络（NN）具有显著的性能优势，特别是在数据被污染的情况下仍能保持高精度。

4. 实验结果 (Results)

实验在 IEEE 14-bus 和 IEEE 118-bus 系统上进行，对比了 PINN 与同等结构的纯数据驱动神经网络（NN）。

稳态与未知数据子集：
- 在未见过的训练数据子集上，PINN 的准确率比传统 ML 模型高出约 83%。
- 在完全无关的新数据集上，性能提升约 65%。
故障场景（三相短路）：
- 在 IEEE 14-bus 系统中，PINN 在三相故障场景下的平均精度比 NN 高出约 20.53%。
- 在 IEEE 118-bus 系统中，面对不同位置的故障，PINN 在测试集上的精度提升了 37.67%。
数据篡改攻击（FDI）：
- 这是本文最显著的成果。当对关键节点（如 IEEE 14-bus 的 4 号或 14 号节点，IEEE 118-bus 的 54 号节点）进行不同程度的数据注入攻击（偏差 10%-30%）时：
  - PINN 利用物理约束作为“过滤器”，有效抑制了错误数据的影响。
  - 在 IEEE 14-bus 攻击场景下，PINN 的精度比等效 NN 高出约 93%。
  - 在 IEEE 118-bus 攻击场景下，系统状态预测精度提升了约 76.11%。
计算效率：
- 推理时间极短（IEEE 14-bus 约 0.04ms，IEEE 118-bus 约 0.03ms），满足实时监测需求。
- 训练时间可控（约 35-40 秒），且通过早停策略防止过拟合。

5. 意义与结论 (Significance & Conclusion)

增强电网韧性：该研究证明了将物理原理与深度学习结合是解决现代电网状态估计挑战的有效途径。PINN 不仅提高了常规工况下的精度，更重要的是在故障和网络攻击等极端条件下，展现了传统数据驱动模型无法比拟的鲁棒性。
降低数据依赖：通过嵌入物理定律，模型减少了对海量高质量标注数据的依赖，并能更好地处理数据稀缺或噪声较大的情况。
未来方向：文章建议未来可探索多 PINN 架构（针对局部区域聚类训练）以及结合迁移学习，以进一步提升对局部动态和故障行为的捕捉能力，并扩展至异常检测领域。

总结：本文提出的基于 PINN 的状态估计方法，通过“数据 + 物理”的双重约束，成功解决了传统方法在复杂、动态及受攻击环境下的可靠性问题，为构建更安全、更智能的电力系统提供了重要的技术支撑。