⚡ electrical engineering

Measurement Error Evaluation Method for Distribution Network Voltage Transformers Based on an Attention-RBF Physics-Informed Neural Network

本文提出了一种结合注意力机制与径向基函数（Attention-RBF）的物理信息神经网络方法，该方法将基尔霍夫电压定律和电缆热方程与多尺度特征提取相结合，旨在实现对配电网电压互感器精确、在线且非侵入式的误差评估，其性能在实验室仿真和现场应用中均优于现有方法。

原作者： Dongsheng Li, Xiujuan Zeng, Tong Liu, Qilin Zhang, Wei Wu

发布于 2026-10-13

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Dongsheng Li, Xiujuan Zeng, Tong Liu, Qilin Zhang, Wei Wu

原始论文采用 CC BY 4.0 许可（https://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

在城市电网错综复杂的网络中，电力从大型变电站流出，经过一系列较小的开关站，最后进入使用电力的社区。为了确保每一度电都能被公平计量并保持系统安全，工程师们依赖于一种被称为电压互感器的特殊设备。这些设备充当了精确的“翻译官”，将高压电降至计量表可以安全读取的水平。然而，正如任何机械部件都会随着时间的推移而磨损一样，这些互感器也会出现校准偏差。一旦发生这种情况，电费可能会出错，或者电网可能会变得不稳定。传统上，检查这些设备需要切断电源，拆除设备，并将其带到实验室与标准进行仔细对比。这个过程缓慢且昂贵，并迫使社区失去电力供应，这给必须维持数百万人用电的公用事业公司带来了沉重负担。

工程师们的挑战在于，寻找一种能够在设备仍在运行且连接在电网上的情况下对其进行检查的方法。问题在于环境本身：当电流通过地下电缆时，电缆会根据电流的大小以及周围土壤的温度而发热或冷却。这种加热现象会改变电缆的电阻，导致电压发生难以预测的下降。如果计算机试图在不考虑这些变化的电缆状况的情况下去猜测互感器的健康状况，它可能会将正常的电压下降误认为是损坏的互感器，反之亦然。多年来，研究人员一直试图解决这个问题，要么使用纯物理公式（这些公式对于现实世界的混乱情况往往过于僵化），要么使用纯数据驱动的计算机模型（这些模型容易受到异常天气或突然负荷变化的影响）。

来自国家电网武汉供电公司的研究团队开发了一种新方法，弥合了这一差距，将物理定律的可靠性与现代人工智能的适应性结合在一起。他们详细介绍的研究方法使用了一种特殊的计算机网络，旨在同时理解它所看到的数据以及支配其流经电力的物理规则。研究人员并没有将电网视为一个“黑箱”，而是教会了他们的计算机模型去尊重基本的电学定律，特别是电压在网络中必须平衡的规则，以及电缆如何加热和冷却的物理学。通过将这些规则直接嵌入学习过程中，该模型能够区分电压变化是由故障互感器引起的，还是由炎热天气下变热的电缆引起的。

为了构建这个系统，团队在实验室中创建了一个模拟真实社区电网的物理仿真平台。他们搭建了一个包含主电源、开关站和若干条配电线路（通向不同房间）的网络，并配备了可调节负载，以模拟家庭和商业不断变化的用电需求。他们安装了可以精确调节以引入特定误差的电压互感器，从而可以在受控条件下测试系统。他们构建的计算机模型采用了一种独特的结构来处理基于时间的数据，观察电压和电流在分钟和小时尺度上的变化。它会对最重要的信号给予特别关注，同时忽略背景噪声，就像听众在嘈激的人群中专注于单一的声音一样。这使得它即使在电网条件发生变化时，也能追踪互感器性能的细微漂移。

当研究人员将这种新方法与现有技术进行对比测试时，结果显而易见。在他们的模拟实验中，新系统的预测平均误差比次优方法降低了三分之一以上。它能够识别出一个被刻意设定为具有0.2%误差的互感器（这是一个微小但显著的偏差），并且还能追踪一个性能正在缓慢退化的互感器。该系统成功地将互感器误差的信号从变化的电缆温度噪声中分离出来。为了证明其在现实世界中的有效性，团队将该系统部署在武汉的一个实际配电区域。他们监测了四个互感器数天之久，收集了数千个数据点。系统标记出一个误差超过安全限值的互感器。当电力工作人员前往现场通过停电方式进行实地核实验证时，他们证实了计算机是正确的：该互感器确实超出了容差范围，而其他互感器则正常。

这一成功表明，未来的电网维护可能不再需要切断输电线路。通过使用一种既理解电网物理特性又理解所收集数据的模型，工程师现在可以实时监测关键设备的健康状况。这项研究表明，在不中断服务的情况下检测微小误差和逐渐磨损是可能的，这为在确保每位客户都能获得准确计费的同时，保持电力可靠流动提供了一种方法。虽然目前的系统侧重于单相测量并依赖高质量数据，但研究人员相信，这种方法为未来扩展到更复杂的电网场景提供了坚实的基础。这项工作证明，当人工智能受到不变的物理定律引导时，它可以解决纯数学或纯数据无法单独解决的问题。

技术摘要：基于注意力-RBF物理信息神经网络的配电网电压互感器误差测量评估方法

问题陈述
电压互感器（VT）是配电网计量与控制的关键部件，然而其性能会随着复杂运行环境的变化而退化。现行的监管要求规定必须进行定期离线校验，这涉及停电、拆卸并与标准互感器进行对比。这种传统方法资源消耗大、效率低，且会导致频繁的供电中断，影响供电可靠性。虽然在线误差评估具有重要意义，但现有方法面临显著局限：

基于物理的方法依赖于精确的物理模型参数，由于配电网环境复杂且线路参数随时间变化，这些参数在实际应用中难以获取。
纯数据驱动方法（如深度学习）在未训练工况下（如剧烈负荷波动时）缺乏泛化能力，且难以区分电压互感器固有误差与外部环境扰动。
动态线路压降： 配电网中的一个特定挑战是由于电缆发热（焦耳热）和环境温度随时间变化引起的动态电压降。忽略这种动态阻抗会导致分组误差评估出现显著偏差。

研究方法
本文提出了一种**注意力-RBF物理信息神经网络（Attention-RBF-PINN）**来应对上述挑战。该方法通过整合物理定律与数据驱动建模，实现动态线路压降与电压互感器固有误差的解耦。

物理基础：
- 基尔霍夫电压定律（KVL）： 该方法利用拓扑约束，即变电站母线电压（由所有相连配电室反向推导得出）必须相等。任何偏差均指示电压互感器存在误差。
- 电缆热动力学： 建立了一个电-热耦合模型，其中电缆电阻被视为依赖于核心温度的时变参数。利用瞬态升温方程对负载电流、环境温度与线路阻抗之间的关系进行建模。
网络架构：
- RBF 主干： 不同于标准的激活函数（如 Tanh），该网络采用高斯径向基函数（RBF）。利用 RBF 的无限连续可微性，通过自动微分精确求解电缆热方程的一阶微分项，从而避免了数值微分带来的截断误差和噪声放大问题。
- 残差注意力机制： 内嵌了一个轻量级的残差注意力模块，用于自适应地对输入特征进行加权。这增强了高信噪比（SNR）特征（如重负荷期间）的权重，并抑制了轻负荷期间的噪声，解决了配电网负荷随时间变化的特性。
- 多物理场损失函数： 训练目标是三个部分的加权之和：
  - 数据拟合损失： 最小化预测二次侧电压与实测电压之间的误差。
  - 拓扑约束损失： 强制执行变电站母线的 KVL 一致性。
  - 热约束损失： 强制执行电缆热平衡微分方程。

主要贡献
作者总结了四项主要贡献：

理论框架： 建立了考虑线路压降的误差评估模型，并基于相邻配电室之间的电压传递关系推导出了评估条件。
算法设计： 提出了 Attention-RBF-PINN 方法，利用 RBF 进行多尺度时间编码，并结合残差注意力机制进行自适应特征加权，以应对动态电压降的干扰。
损失函数构建： 设计了多物理场约束的加权损失函数，统一了 KVL 拓扑约束、电缆热动力学和数据拟合，实现了物理先验与数据驱动建模的协同融合。
实验验证： 通过实验室物理仿真数据和现场数据进行了对比实验，验证了该方法相对于现有算法的准确性和鲁棒性。

结果

实验室仿真： 在物理仿真平台（10kV 拓扑，误差可调）上的实验表明，所提方法优于对比模型（包括 MLP、TCN、Transformer 和 MRSA-DGCN）。
- 与排名第二的方法（MRSA-DGCN）相比，该方法将 RMSE 降低了 35.2%，将 MAE 降低了 36.4%，同时使 $R^2$ 提升了 2.63 个百分点（达到 0.9810）。
- 消融实验证实，RBF、注意力机制与物理约束的结合产生了协同增益；与仅包含 RBF 和注意力的纯数据基准模型相比，全模型降低了 56.0% 的 RMSE。
- 该方法成功识别了突发误差（0.2%）和渐进漂移（最高 0.4%），最大评估偏差为 0.05%。
现场应用： 在武汉某配电区域（一个变电站馈线，三个配电室）进行的试点部署成功识别出了一个超差的电压互感器（VT3）。在线评估结果与随后的停电离线校验保持一致，最大比值误差偏差为 0.11%，相位误差偏差为 1.3'。

意义与声明
论文声称，通过将物理引导（KVL 和热动力学）与数据驱动建模相结合，有效地提高了电压互感器误差评估的准确性和物理可解释性。通过嵌入物理约束，该方法克服了纯数据驱动模型的“机制模糊性”，使其能够区分电压互感器固有退化与外部环境扰动（动态线路压降）。

作者总结道，这种方法为电压互感器的在线误差评估提供了一种有效的解决方案，为状态评估和异常预警提供了技术依据，且无需中断供电。然而，作者也客观指出目前的局限性：模型目前是针对单相场景建立的，且依赖于同步的电压和电流数据，这可能使其对传感器故障或数据缺失较为敏感。未来的工作建议将该方法扩展到三相不平衡场景，并纳入电流互感器（CT）的误差评估。

类似论文