基于图神经网络的电力系统状态估计不良数据检测与识别方法研究

《Journal of Modern Power Systems and Clean Energy》：Bad Data Detection and Identification Based on Graph Neural Network for Power System State Estimation

为解决电力系统状态估计中不良数据(Bad Data)导致的实时性能下降问题，本研究提出了一种基于边条件图神经网络(EC-GNN)的预估计滤波框架。该研究通过整合电网拓扑结构、节点和边特征，利用测量数据相关性，实现了不良数据的高精度检测与定位。实验结果表明，在6总线至IEEE 300总线系统中，该方法准确率达96%-99%，推理时间仅需1.7-2.7毫秒，显著优于传统几何/统计方法。该技术为智能电网实时监控提供了高效可靠的解决方案。

　　

随着可再生能源的大规模并网，电力系统状态估计(State Estimation, SE)面临着前所未有的实时性挑战。状态估计作为电网实时监控的核心算法，需要通过噪声测量数据精确计算电压幅值和相角，但其准确性高度依赖于测量数据质量。传统不良数据检测与识别(Bad Data Detection and Identification, BDDI)技术存在明显局限：加权最小二乘法(Weighted Least Squares, WLS)无法检测杠杆点处的严重误差，而加权最小绝对值(Weighted Least Absolute Value, WLAV)估计器虽能处理严重误差，却同样在杠杆点失效。更关键的是，后估计BDDI需要多次调用状态估计函数，计算需求大，难以满足相量测量单元(Phasor Measurement Units, PMUs)每秒50-60帧的高速数据更新需求。

针对这一技术瓶颈，发表于《Journal of Modern Power Systems and Clean Energy》的研究提出了一种创新性的解决方案——基于边条件图神经网络(Edge-Conditioned Graph Neural Network, EC-GNN)的预估计滤波框架。该研究的核心创新在于将电网拓扑结构与测量数据相关性相结合，在数据输入状态估计器之前完成不良数据的检测与定位，有效防止了错误传播。

研究团队采用多层感知机(Multi-Layer Perceptron, MLP)处理节点和边特征的拼接，通过均值聚合整合所有可用特征。与依赖边-矩阵变换的传统图卷积网络(Graph Convolutional Networks, GCNs)相比，该方法在保持高精度的同时显著提升了计算效率。数据集生成过程中，研究人员利用历史负荷曲线模拟真实场景，同时包含PMU和监控与数据采集(Supervisory Control and Data Acquisition, SCADA)系统测量数据，并采用特殊编码方案解决类别不平衡问题。

关键技术方法包括：1）构建边条件卷积层实现消息传递和聚合，将源节点、目标节点和边特征拼接后通过MLP处理；2）采用全局均值池化将节点级特征转换为图级表示；3）应用主成分分析(Principal Component Analysis, PCA)对测量对进行降维处理，减少50%输入特征而不影响性能；4）通过GNNExplainer和t-SNE（t-distributed stochastic neighbor embedding）技术实现模型可解释性分析；5）系统测试拓扑扰动下的模型鲁棒性，模拟电网动态重构场景。

研究结果验证了EC-GNN的卓越性能。在6总线系统中，模型准确率达到99.81%，F1分数0.9981，马修斯相关系数(Matthews Correlation Coefficient, MCC)为0.9933，推理时间仅1.8257毫秒。随着系统规模扩大，在IEEE 14总线、30总线、118总线和300总线系统中，准确率仍保持在96.51%-98.27%的高水平，推理时间稳定在2.2-2.7毫秒范围内，展现了优异的可扩展性。

模型架构设计方面，EC-GNN包含两个隐藏ECC层，每层64个神经元（大系统增至128个）。节点特征矩阵X_V∈R^n×2包含每个总线的两个特征，边特征矩阵X_E∈R^n×2代表电流相量和功率流值。消息传递函数遵循公式m_i←j^(k)=f_ω(h_i^(k)‖h_j^(k)‖e_ij^(k))，其中‖表示拼接操作，f_ω为参数化权重的MLP。自环的引入确保节点更新既依赖邻居信息也保留自身初始状态。

与现有GNN模型的对比实验显示，EC-GNN在准确率和计算效率上均具优势。相比GCN的87.46%、GAT的87.55%和ECC的98.15%准确率，EC-GNN达到99.81%的最高性能。更重要的是，其训练时间（4小时12分钟）显著低于ECC（6小时13分钟），这得益于其避免生成每边权重矩阵的简化设计。

结构鲁棒性测试通过系统性地添加和移除边来模拟电网拓扑变化。在IEEE 118总线系统中，添加5条边时准确率从96.83%降至92.40%，移除5条边时仍保持94.59%，证明模型对拓扑扰动具有良好适应性。这种鲁棒性源于消息传递机制中的冗余设计，使模型能够泛化到轻微动态变化的电网环境。

可解释性分析揭示了模型决策机制。GNNExplainer框架识别出最具影响力的节点特征（Q₂、P₀、Q₀）和边特征（Q₂₄、I₁₃、I₅₄），而t-SNE可视化显示训练后的数据在特征空间中形成明显分离的聚类结构，表明模型成功学习了区分正常与异常测量的判别特征。

主成分分析的应用使输入特征数量减少50%，但性能下降控制在可接受范围内（6总线系统准确率从99.81%降至98.95%）。这种降维处理不仅加速训练过程（减少35%-40%时间），还通过抑制噪声和低方差波动提升模型鲁棒性。

该研究的核心结论表明，EC-GNN框架通过将计算负担转移到离线阶段，实现了电力系统不良数据的实时识别与定位。其创新性体现在：物理信息机器学习与图结构数据的有机结合、预估计滤波策略对传统后估计方法的颠覆、以及针对大规模电网的高效可扩展设计。未来研究方向将聚焦于动态GNN架构开发，以更好适应时变电网拓扑行为，为智能电网的实时监控与决策提供更强大技术支持。