arXiv cs.AI· Nan Lin, Peter Palensky, Pedro Vergara Barrios·· 1 天前AI 评分31
PoSE：用 Flow Matching 实现贝叶斯配电网状态估计
Bayesian Distribution System State Estimation with Flow Matching
AI 导读
PoSE 提出一种贝叶斯配电网状态估计方法，仅用 flow matching 训练的神经网络学习变电站注入分布，潮流方程与拓扑只在采样阶段通过噪声感知的 Kalman 型校正引入。
正文 · AI 翻译
摘要：中压馈线实时量测稀少，因此配电系统状态估计（DSSE）依赖于次级变电站的伪量测，在贝叶斯意义上即为先验。加权最小二乘法保持潮流方程精确，但将该先验简化为均值和方差；而有监督深度学习估计器同时学习潮流，且与单一量测集绑定。我们提出 PoSE（用于状态估计的后验采样），它保留 DSSE 的贝叶斯结构，仅学习配电系统运营商未知的部分，即变电站注入量的分布，该分布由在历史数据上用流匹配训练的神经网络建模。潮流方程、电网拓扑和量测仅在采样时通过噪声感知的卡尔曼型校正进入。因此，神经网络从不近似潮流，但每个后验样本都是物理一致的工作点，且一个训练好的先验可服务于任意量测集、噪声水平和拓扑。在 IEEE 33 节点馈线上，PoSE 在全部 12 种测试设置下，相比全协方差高斯先验将概率注入误差（CRPS）降低 6.7-7.5%。它提供可靠的不确定性：90% 区间包含真实注入的频率几乎与精确后验样本相同，而有监督估计器的区间仅在 37-78% 的情况下包含真实值。在 240 节点不平衡三相 Iowa 馈线上，它在所有估计器中给出最低的注入、电压和支路电流误差。一个快速变体以每快照 0.2-0.6 秒达到该精度，且无需重新训练，在七种重构拓扑上优于高斯先验和重新训练的有监督估计器。
| 评论： | 10 页 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；信号处理（eess.SP） |
| 引用为： | arXiv:2610.40728 [cs.LG] |
| （或 arXiv:2610.40728v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40728 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Nan Lin [查看邮箱]
[v1]
2026 年 10 月 29 日星期四 10:37:37 UTC（399 KB）
来源：arXiv cs.AI · arxiv.org