Robust Power System State Estimation using Physics-Informed Neural Networks

📄 arXiv: 2507.05874v1 📥 PDF

作者: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

分类: cs.LG, eess.SY

发布日期: 2025-07-08

DOI: 10.1109/TII.2025.3582293

💡 一句话要点

提出基于物理信息神经网络的电力系统状态估计方法，提升鲁棒性和准确性。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 电力系统状态估计 物理信息神经网络 鲁棒性 网络安全 数据操纵攻击

📋 核心要点

  1. 电力系统状态估计在故障和网络攻击下，传统方法难以保证响应速度和准确性。
  2. 利用物理信息神经网络（PINN），将物理定律嵌入网络架构，提高估计精度和鲁棒性。
  3. 实验表明，PINN在未见数据集和全新数据集上均优于传统机器学习模型，且对数据操纵攻击有更强的抵抗力。

📝 摘要（中文）

现代电力系统在状态估计和实时监控方面面临严峻挑战，尤其是在故障或网络攻击下的响应速度和准确性。本文提出了一种混合方法，利用物理信息神经网络（PINN）来增强电力系统状态估计的准确性和鲁棒性。通过将物理定律嵌入到神经网络架构中，PINN提高了输电网应用在正常和故障条件下的估计精度，并显示出解决数据操纵攻击等安全问题的潜力。实验结果表明，所提出的方法优于传统的机器学习模型，在训练数据集的未见子集上实现了高达83%的准确率提升，在全新的、不相关的数据集上实现了65%的性能提升。实验还表明，在针对系统中关键母线的数据操纵攻击期间，PINN的准确性比等效神经网络高出93%。

🔬 方法详解

问题定义：电力系统状态估计旨在根据量测数据（如电压、电流、功率等）推断系统的状态变量（如节点电压幅值和相角）。传统方法和一些机器学习方法在面对数据缺失、噪声干扰、网络攻击等情况时，鲁棒性和准确性会显著下降。尤其是在网络攻击中，攻击者可能篡改量测数据，导致状态估计结果严重偏差，威胁电力系统的安全稳定运行。

核心思路：论文的核心思路是将电力系统的物理定律（如潮流方程）嵌入到神经网络的训练过程中，从而约束神经网络的学习行为，使其输出结果不仅与量测数据吻合，还要满足电力系统的物理规律。这种方法可以有效提高神经网络的泛化能力和鲁棒性，使其在面对异常数据时也能给出合理的估计结果。

技术框架：该方法使用物理信息神经网络（PINN）进行状态估计。整体流程包括：1）构建神经网络模型，输入为量测数据，输出为状态变量；2）定义损失函数，包括数据损失（量测数据与网络输出的差异）和物理损失（潮流方程的残差）；3）使用优化算法（如Adam）训练神经网络，最小化总损失函数。通过这种方式，神经网络在学习量测数据特征的同时，也被迫学习电力系统的物理规律。

关键创新：该方法最重要的技术创新点在于将电力系统的物理定律以损失函数的形式嵌入到神经网络的训练过程中。与传统的纯数据驱动的机器学习方法相比，PINN方法能够利用先验知识，提高模型的泛化能力和鲁棒性。与传统的基于模型的状态估计方法相比，PINN方法能够自动学习量测数据中的复杂关系，无需手动建模，具有更高的灵活性和适应性。

关键设计：论文中，神经网络的结构选择了多层感知机（MLP），输入层为量测数据，输出层为状态变量。损失函数由两部分组成：数据损失采用均方误差（MSE），衡量网络输出与量测数据的差异；物理损失采用潮流方程的残差，衡量网络输出是否满足电力系统的物理规律。潮流方程的残差通过自动微分计算得到。训练过程中，需要仔细调整数据损失和物理损失的权重，以平衡数据驱动和物理约束之间的关系。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，所提出的PINN方法在电力系统状态估计中表现出色。在训练数据集的未见子集上，PINN的准确率比传统机器学习模型高出83%。在全新的、不相关的数据集上，PINN的性能提升了65%。更重要的是，在针对关键母线的数据操纵攻击中，PINN的准确率比等效神经网络高出93%，表明其具有更强的抗攻击能力。这些结果充分证明了PINN在电力系统状态估计中的优势。

🎯 应用场景

该研究成果可应用于电力系统的实时状态估计、故障诊断、网络安全防御等领域。通过提高状态估计的准确性和鲁棒性，可以帮助电力系统运营商更好地监控系统运行状态，及时发现和处理潜在的安全隐患，提高电力系统的安全性和可靠性。此外，该方法还可以应用于其他具有物理约束的复杂系统，如水力系统、交通系统等。

📄 摘要（原文）

Modern power systems face significant challenges in state estimation and real-time monitoring, particularly regarding response speed and accuracy under faulty conditions or cyber-attacks. This paper proposes a hybrid approach using physics-informed neural networks (PINNs) to enhance the accuracy and robustness, of power system state estimation. By embedding physical laws into the neural network architecture, PINNs improve estimation accuracy for transmission grid applications under both normal and faulty conditions, while also showing potential in addressing security concerns such as data manipulation attacks. Experimental results show that the proposed approach outperforms traditional machine learning models, achieving up to 83% higher accuracy on unseen subsets of the training dataset and 65% better performance on entirely new, unrelated datasets. Experiments also show that during a data manipulation attack against a critical bus in a system, the PINN can be up to 93% more accurate than an equivalent neural network.