Bayesian Distribution System State Estimation with Flow Matching

📄 arXiv: 2610.40728v1 📥 PDF

作者: Nan Lin, Peter Palensky, Pedro Vergara Barrios

分类: cs.LG, cs.AI, eess.SP

发布日期: 2026-10-29

备注: 10 pages

💡 一句话要点

提出PoSE以解决配电系统状态估计中的不确定性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 配电系统 状态估计 贝叶斯方法 深度学习 功率流 神经网络 流匹配 卡尔曼滤波

📋 核心要点

  1. 现有的配电系统状态估计方法依赖于伪测量，导致对系统状态的不确定性较高，尤其是在缺乏实时数据的情况下。
  2. 论文提出的PoSE方法通过保持贝叶斯结构，利用神经网络学习变电站注入的分布，避免了对功率流的直接近似。
  3. 在多个实验设置中，PoSE显著降低了注入误差，并在不同拓扑下表现出更高的准确性和可靠性。

📝 摘要（中文）

中压配电系统的实时测量较少，因此状态估计依赖于次级变电站的伪测量，作为贝叶斯方法中的先验。加权最小二乘法虽然保持了功率流的准确性，但将先验简化为均值和方差，而监督深度学习估计器则学习功率流并与特定测量集绑定。本文提出的PoSE（状态估计的后验采样）保持了DSSE的贝叶斯结构，仅学习配电系统运营商未知的部分，即变电站注入的分布，通过在历史数据上进行流匹配训练的神经网络建模。功率流方程、网格拓扑和测量仅在采样时引入，通过噪声感知的卡尔曼类型校正。实验表明，PoSE在IEEE 33-bus馈线中降低了6.7-7.5%的概率注入误差，并在240-bus不平衡三相爱荷华馈线中表现出最低的注入、电压和支路电流误差。

🔬 方法详解

问题定义：本文旨在解决配电系统状态估计中的不确定性问题，现有方法如加权最小二乘法和监督深度学习估计器存在对先验的简化和对特定测量集的依赖，限制了其适用性和准确性。

核心思路：PoSE方法通过后验采样保持贝叶斯结构，仅学习配电系统运营商未知的部分，利用流匹配训练的神经网络建模变电站注入的分布，从而避免了对功率流的直接近似。

技术框架：PoSE的整体架构包括数据采集、神经网络训练、后验采样和卡尔曼类型校正四个主要模块。数据采集阶段获取历史数据，神经网络训练阶段通过流匹配学习注入分布，后验采样阶段生成物理一致的操作点，最后通过校正模块引入功率流方程和噪声。

关键创新：PoSE的主要创新在于其保持了贝叶斯结构，且每个后验样本都是物理一致的操作点，解决了现有方法对功率流近似的局限性。

关键设计：在神经网络的设计中，采用了流匹配技术进行训练，确保网络能够准确捕捉注入分布的特征。此外，校正过程采用了噪声感知的卡尔曼滤波方法，以提高估计的准确性和可靠性。

📊 实验亮点

在IEEE 33-bus馈线实验中，PoSE在所有12个测试设置中将概率注入误差降低了6.7-7.5%。在240-bus不平衡三相爱荷华馈线中，PoSE展现了所有估计器中最低的注入、电压和支路电流误差。此外，快速变体在每个快照仅需0.2-0.6秒，且在七个重新配置的拓扑中超越了高斯先验和重新训练的监督估计器。

🎯 应用场景

该研究的潜在应用领域包括电力系统监控、智能电网管理和配电网络优化等。通过提高状态估计的准确性，PoSE能够帮助电力运营商更好地管理电力流动，降低运营风险，并提高系统的整体效率和可靠性。未来，该方法有望在更广泛的电力系统中推广应用，推动智能电网技术的发展。

📄 摘要（原文）

Medium-voltage feeders have few real-time measurements, so distribution system state estimation (DSSE) rests on pseudo-measurements of the secondary substations, a prior in Bayesian terms. Weighted least squares keeps the power flow exact but reduces this prior to a mean and variance, while supervised deep learning estimators also learn the power flow and are tied to one measurement set. We propose PoSE (posterior sampling for state estimation), which keeps the Bayesian structure of DSSE and learns only what the distribution system operator does not know, namely the distribution of substation injections, modelled by a neural network trained with flow matching on historical data. The power flow equations, grid topology and measurements enter only at sampling, through a noise-aware Kalman-type correction. The neural network therefore never approximates the power flow, but every posterior sample is a physically consistent operating point, and one trained prior serves any measurement set, noise level and topology. On the IEEE 33-bus feeder, PoSE lowers the probabilistic injection error (CRPS) by 6.7-7.5% against a full-covariance Gaussian prior in all 12 tested settings. It provides reliable uncertainty: the 90% intervals contain the true injection almost exactly as often as exact posterior samples would, whereas those of supervised estimators contain it in only 37-78% of cases. On the 240-bus unbalanced three-phase Iowa feeder, it gives the lowest injection, voltage and branch-current errors of all estimators. A fast variant matches this accuracy at 0.2-0.6s per snapshot and, without retraining, beats Gaussian priors and retrained supervised estimators on seven reconfigured topologies.