Learning a Generalized Model for Substation Level Voltage Estimation in Distribution Networks

📄 arXiv: 2510.16063v1 📥 PDF

作者: Muhy Eddin Za'ter, Bri-Mathias Hodge

分类: cs.LG, cs.AI, eess.SY

发布日期: 2025-10-17

💡 一句话要点

提出一种分层图神经网络，用于配电网中变电站级电压估计，提升精度和可扩展性。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 配电网 电压估计 图神经网络 状态估计 分层模型

📋 核心要点

  1. 传统配电系统状态估计方法难以处理测量数据稀疏和网络规模大的问题，限制了其在大规模配电网中的应用。
  2. 论文提出一种分层图神经网络，同时考虑电气拓扑和物理特征，以提高电压估计的准确性和鲁棒性。
  3. 实验结果表明，该方法在低测量覆盖率下仍能保持高精度，且RMSE优于其他数据驱动模型。

📝 摘要（中文）

精确的配电网电压估计对于实时监控和提高电网可靠性至关重要。随着分布式能源(DER)渗透率和配电级电压变化性的增加，鲁棒的配电系统状态估计(DSSE)对于维持安全高效的运行变得更加重要。然而，传统的DSSE技术难以应对稀疏测量和现代馈线的规模，限制了它们在大型网络中的可扩展性。本文提出了一种用于变电站级电压估计的分层图神经网络，该网络利用了电气拓扑和物理特征，同时对现实配电网络中常见的低可观测性保持鲁棒性。利用公开的SMART-DS数据集，该模型在多个变电站和DER渗透场景下的数千个母线上进行了训练和评估。综合实验表明，所提出的方法实现了比其他数据驱动模型低2倍的RMSE，并且在仅有1%的测量覆盖率下仍保持高精度。结果突出了GNN在为配电系统实现可扩展、可复现和数据驱动的电压监测方面的潜力。

🔬 方法详解

问题定义：论文旨在解决配电网中电压估计的问题，尤其是在测量数据稀疏和网络规模庞大的情况下。传统的配电系统状态估计方法难以应对这些挑战，导致估计精度下降，可扩展性受限。现有方法难以兼顾精度、鲁棒性和可扩展性。

核心思路：论文的核心思路是利用图神经网络(GNN)对配电网的拓扑结构进行建模，并结合物理特征进行电压估计。通过分层结构，模型能够捕捉不同尺度的网络信息，从而提高估计的准确性和鲁棒性。利用GNN的图结构建模能力，可以有效处理配电网的复杂拓扑和稀疏测量问题。

技术框架：整体框架包含以下几个主要模块：1) 图构建模块，根据配电网的电气拓扑结构构建图；2) 特征提取模块，提取节点的物理特征，如电压、电流等；3) 分层图神经网络模块，利用多层GNN对图进行学习，提取节点之间的关系和特征；4) 电压估计模块，根据GNN的输出，估计每个节点的电压值。整个流程是端到端的，可以直接从原始数据进行学习。

关键创新：论文的关键创新在于提出了一个分层图神经网络结构，能够有效地融合电气拓扑和物理特征，从而提高电压估计的精度和鲁棒性。此外，该方法对低可观测性具有很强的适应性，即使在测量数据非常稀疏的情况下，也能保持较高的估计精度。分层结构允许模型学习不同尺度的网络信息，从而更好地捕捉电压分布的规律。

关键设计：在图构建方面，节点代表配电网中的母线，边代表母线之间的连接关系。特征提取方面，使用了电压、电流等物理量作为节点的初始特征。GNN采用了多层结构，每一层都进行图卷积操作，聚合邻居节点的信息。损失函数采用了均方根误差(RMSE)，用于衡量估计电压与真实电压之间的差异。具体的网络结构和参数设置需要根据实际数据集进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的方法在多个变电站和DER渗透场景下，实现了比其他数据驱动模型低2倍的RMSE。即使在仅有1%的测量覆盖率下，该方法仍能保持较高的电压估计精度。这些结果表明，该方法具有很强的鲁棒性和可扩展性，能够有效地应对实际配电网中的挑战。

🎯 应用场景

该研究成果可应用于配电网的实时监控、状态估计和故障诊断。通过准确的电压估计，可以提高配电网的运行效率和可靠性，降低能源损耗。此外，该方法还可以为分布式能源的接入提供更好的支持，促进智能电网的发展。未来，该技术有望应用于更大规模的配电网络，实现更精细化的管理和控制。

📄 摘要（原文）

Accurate voltage estimation in distribution networks is critical for real-time monitoring and increasing the reliability of the grid. As DER penetration and distribution level voltage variability increase, robust distribution system state estimation (DSSE) has become more essential to maintain safe and efficient operations. Traditional DSSE techniques, however, struggle with sparse measurements and the scale of modern feeders, limiting their scalability to large networks. This paper presents a hierarchical graph neural network for substation-level voltage estimation that exploits both electrical topology and physical features, while remaining robust to the low observability levels common to real-world distribution networks. Leveraging the public SMART-DS datasets, the model is trained and evaluated on thousands of buses across multiple substations and DER penetration scenarios. Comprehensive experiments demonstrate that the proposed method achieves up to 2 times lower RMSE than alternative data-driven models, and maintains high accuracy with as little as 1\% measurement coverage. The results highlight the potential of GNNs to enable scalable, reproducible, and data-driven voltage monitoring for distribution systems.