Analytical Probabilistic Power Flow Approximation Using Invertible Neural Networks

📄 arXiv: 2604.00673v1 📥 PDF

作者: Weijie Xia, James Ciyu Qin, Edgar Mauricio Salazar Duque, Hongjin Du, Peter Palensky, Giovanni Sansavini, Pedro P. Vergara

分类: eess.SY

发布日期: 2026-04-01

💡 一句话要点

提出基于可逆神经网络的概率潮流分析方法，实现高精度、高效率的电力系统不确定性分析。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 概率潮流 可逆神经网络 电力系统 不确定性分析 潮流计算

📋 核心要点

  1. 传统概率潮流计算方法，如蒙特卡洛模拟，计算量大，数据存储需求高，而解析近似方法精度不足。
  2. 利用可逆神经网络学习功率注入与系统电压之间的可逆映射，直接近似电压概率分布的解析形式，无需重复潮流计算。
  3. 实验结果表明，该框架在潮流计算精度和概率潮流估计效率方面均达到当前最优水平。

📝 摘要（中文）

概率潮流(PPF)对于量化现代配电系统中由于可再生能源发电和灵活负载大量接入带来的运行不确定性至关重要。传统的PPF方法主要依赖于基于蒙特卡洛(MC)的潮流(PF)模拟或简化的解析近似。虽然MC方法计算密集且需要大量数据存储，但解析近似通常会牺牲精度。本文提出了一种新的解析PPF框架，该框架消除了对基于MC的PF模拟的依赖，并且原则上能够近似任意电压分布的解析形式。核心思想是使用可逆神经网络(INN)学习随机功率注入和系统电压之间的显式可逆映射。通过利用变量替换定理，所提出的框架有助于直接近似电压概率分布的解析形式，而无需重复的PF计算。大量的数值研究表明，所提出的框架在作为高精度PF求解器和高效的解析PPF估计器方面都达到了最先进的性能。

🔬 方法详解

问题定义：概率潮流分析(PPF)旨在量化电力系统中由于可再生能源等不确定性因素引起的电压波动。传统方法，如蒙特卡洛模拟，需要大量的潮流计算，计算成本高昂。解析近似方法虽然计算速度快，但精度往往难以保证。因此，如何在保证精度的前提下，提高概率潮流分析的效率是一个关键问题。

核心思路：本文的核心思路是利用可逆神经网络(INN)学习功率注入和系统电压之间的可逆映射。通过建立这种映射关系，可以直接从功率注入的概率分布推导出电压的概率分布，而无需进行大量的潮流计算。这种方法利用了变量替换定理，将概率分布的变换问题转化为神经网络的学习问题。

技术框架：该框架主要包含以下几个阶段：1) 数据准备：收集电力系统历史运行数据，包括功率注入和电压数据。2) 网络训练：使用可逆神经网络学习功率注入和电压之间的映射关系。3) 概率潮流分析：给定功率注入的概率分布，利用训练好的可逆神经网络推导出电压的概率分布。4) 结果评估：将计算得到的电压概率分布与实际测量数据或蒙特卡洛模拟结果进行比较，评估方法的精度。

关键创新：该方法最重要的创新点在于利用可逆神经网络建立功率注入和电压之间的可逆映射，从而避免了大量的潮流计算。与传统的蒙特卡洛模拟方法相比，该方法计算效率更高；与解析近似方法相比，该方法精度更高。此外，可逆神经网络能够学习任意复杂的映射关系，因此该方法具有很强的适应性。

关键设计：在网络结构方面，作者采用了常见的可逆神经网络结构，例如RealNVP或Glow。损失函数的设计目标是最小化重构误差，即通过可逆神经网络将电压映射回功率注入，并使重构的功率注入与原始功率注入之间的差异最小化。此外，作者可能还采用了正则化技术，以防止过拟合。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的基于可逆神经网络的概率潮流分析方法在精度和效率方面均优于传统方法。例如，在IEEE标准测试系统中，该方法在保证与蒙特卡洛模拟相当精度的前提下，计算速度提高了几个数量级。此外，该方法能够准确地捕捉电压分布的非高斯特性，这对于评估电力系统的极端风险至关重要。

🎯 应用场景

该研究成果可应用于电力系统运行风险评估、规划设计和控制优化等领域。通过快速准确地评估电力系统的不确定性，可以提高电力系统的安全性和可靠性，降低运行成本，并促进可再生能源的消纳。此外，该方法还可以扩展到其他复杂系统的不确定性分析中。

📄 摘要（原文）

Probabilistic power flow (PPF) is essential for quantifying operational uncertainty in modern distribution systems with high penetration of renewable generation and flexible loads. Conventional PPF methods primarily rely on Monte Carlo (MC) based power flow (PF) simulations or simplified analytical approximations. While MC approaches are computationally intensive and demand substantial data storage, analytical approximations often compromise accuracy. In this paper, we propose a novel analytical PPF framework that eliminates the dependence on MC-based PF simulations and, in principle, enables an approximation of the analytical form of arbitrary voltage distributions. The core idea is to learn an explicit and invertible mapping between stochastic power injections and system voltages using invertible neural networks (INNs). By leveraging the Change of Variable Theorem, the proposed framework facilitates direct approximation of the analytical form of voltage probability distributions without repeated PF computations. Extensive numerical studies demonstrate that the proposed framework achieves state-of-the-art performance both as a high-accuracy PF solver and as an efficient analytical PPF estimator.