Diffusion Model-based Parameter Estimation in Dynamic Power Systems

📄 arXiv: 2411.10431v2 📥 PDF

作者: Feiqin Zhu, Dmitrii Torbunov, Zhongjing Jiang, Tianqiao Zhao, Amirthagunaraj Yogarathnam, Yihui Ren, Meng Yue

分类: cs.AI, eess.SY

发布日期: 2024-11-15 (更新: 2025-10-01)

💡 一句话要点

提出基于扩散模型的参数估计框架JCDI，解决动态电力系统参数辨识的非唯一性问题

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

关键词: 扩散模型 参数估计 动态电力系统 逆问题 非唯一性

📋 核心要点

  1. 动态电力系统参数估计面临非唯一性挑战，现有方法难以准确识别参数。
  2. JCDI利用扩散模型的随机性生成多个可能的解，揭示参数的潜在分布。
  3. 实验表明，JCDI在复合负载模型参数化中误差降低58.6%，动态响应均方根误差低于4*10^(-3)。

📝 摘要（中文）

参数估计是一个经典的逆问题，但由于不同的参数组合可能产生相同的输出，因此常常是不适定的。这种非唯一性对准确和唯一的识别构成了关键障碍。本文提出了一种新的参数估计框架来解决这些限制：基于联合条件扩散模型的逆问题求解器(JCDI)。通过利用扩散模型的随机性，JCDI产生可能的解，揭示潜在的分布。对多个观测结果的联合条件作用进一步缩小了不可识别参数的后验分布。对于动态电力系统中的复合负载模型参数化这一具有挑战性的任务，与单条件模型相比，JCDI实现了58.6%的参数估计误差降低。它还能准确地复制系统在各种电气故障下的动态响应，均方根误差低于4*10^(-3)，优于现有的深度强化学习和监督学习方法。鉴于其数据驱动的特性，JCDI为参数估计提供了一个通用框架，同时有效地缓解了科学领域中的非唯一性挑战。

🔬 方法详解

问题定义：论文旨在解决动态电力系统中参数估计的非唯一性问题。传统的参数估计方法，包括一些深度学习方法，在面对电力系统复杂的动态特性和噪声干扰时，往往难以得到准确且唯一的参数解。不同的参数组合可能产生相似的系统响应，导致模型辨识的困难。这种不适定性问题严重影响了电力系统的稳定性和控制性能。

核心思路：论文的核心思路是利用扩散模型的生成能力和随机性，将参数估计问题转化为一个概率推断问题。通过训练一个条件扩散模型，该模型能够根据观测到的系统响应生成多个可能的参数解，从而揭示参数的后验分布。这种方法不再追求单一的最优解，而是探索解空间，从而缓解非唯一性问题。

技术框架：JCDI框架包含以下主要模块：1) 数据收集与预处理：收集电力系统运行数据，包括电压、电流等，并进行清洗和标准化。2) 扩散模型训练：构建一个条件扩散模型，以系统响应作为条件，学习参数的后验分布。3) 参数估计：给定新的系统响应，使用训练好的扩散模型生成多个可能的参数解，并分析其分布特征。4) 结果评估：将估计的参数代入电力系统模型，验证其预测系统响应的能力。

关键创新：JCDI的关键创新在于将扩散模型引入到电力系统参数估计中，利用其生成性和随机性来解决非唯一性问题。与传统的优化方法或监督学习方法不同，JCDI能够生成多个可能的解，从而更好地反映参数的不确定性。此外，联合条件作用（Joint Conditioning）进一步利用多个观测信息来缩小参数的后验分布，提高估计精度。

关键设计：JCDI使用了一种基于U-Net结构的扩散模型，并采用高斯噪声作为扩散过程。损失函数采用标准的扩散模型损失函数，即预测噪声与真实噪声之间的均方误差。联合条件作用通过将多个观测结果拼接成一个向量，并将其作为扩散模型的条件输入来实现。参数设置方面，需要仔细调整扩散步数、噪声水平等超参数，以获得最佳的生成效果。

📊 实验亮点

JCDI在复合负载模型参数化任务中，与单条件模型相比，参数估计误差降低了58.6%。在模拟各种电气故障的动态响应时，JCDI的均方根误差低于4*10^(-3)，显著优于现有的深度强化学习和监督学习方法。这些结果表明，JCDI能够有效地缓解参数估计的非唯一性问题，并提高估计精度。

🎯 应用场景

该研究成果可应用于电力系统的状态估计、故障诊断、控制优化等领域。通过更准确地估计电力系统参数，可以提高系统的稳定性和可靠性，降低运行成本。此外，该方法具有通用性，可以推广到其他科学和工程领域的参数估计问题，例如生物医学信号处理、气候模型参数化等。

📄 摘要（原文）

Parameter estimation, which represents a classical inverse problem, is often ill-posed as different parameter combinations can yield identical outputs. This non-uniqueness poses a critical barrier to accurate and unique identification. This work introduces a novel parameter estimation framework to address such limits: the Joint Conditional Diffusion Model-based Inverse Problem Solver (JCDI). By leveraging the stochasticity of diffusion models, JCDI produces possible solutions revealing underlying distributions. Joint conditioning on multiple observations further narrows the posterior distributions of non-identifiable parameters. For the challenging task in dynamic power systems: composite load model parameterization, JCDI achieves a 58.6% reduction in parameter estimation error compared to the single-condition model. It also accurately replicates system's dynamic responses under various electrical faults, with root mean square errors below 4*10^(-3), outperforming existing deep-reinforcement-learning and supervised learning approaches. Given its data-driven nature, JCDI provides a universal framework for parameter estimation while effectively mitigating the non-uniqueness challenge across scientific domains.