基于大语言模型与多模态信息融合的配电网状态估计增强方法

《IEEE Potentials》:Enhancing distribution system state estimation under limited measurements: Leveraging large language model and multimodal information

【字体: 大 中 小 】 时间:2025年12月09日 来源:IEEE Potentials CS1.3

编辑推荐:

  本文针对测量受限场景下配电网状态估计(DSSE)精度不足的难题,提出了一种融合大语言模型(LLM)与多模态数据的新型解决方案。研究团队通过将历史数据统计特征转化为文本提示(prompt),构建通道独立的多模态融合架构,在IEEE 33节点和Simbench 144节点系统验证表明,该方法较次优基线在MAE和RMSE指标上分别降低17.7%-25.1%和17.3%-18.2%,显著提升了稀疏测量条件下的估计精度,为装备不足的配电网提供了实用化部署可能。

  
在现代电力系统中,配电网作为电能输送的"最后一公里",其运行状态精确感知至关重要。然而,配电网面临拓扑复杂、测量设备稀缺、数据质量不均等独特挑战,特别是安装维护成本限制导致的"稀疏测量"问题,使传统状态估计方法难以适用。随着分布式能源和电动汽车等新型负荷的大规模接入,系统随机波动性加剧,如何在有限测量条件下实现准确状态估计成为亟待解决的科学难题。
传统加权最小二乘法(WLS)依赖高质量监测数据和伪测量数据,易受非高斯噪声影响而无法收敛。近年来深度学习技术为DSSE带来新思路,从MLP、LSTM到融合拓扑信息的GNN方法,虽在一定程度上提升了性能,但仍需大量训练数据支撑。大语言模型在时间序列预测中展现的少样本学习能力,为突破数据瓶颈提供了新方向。
研究团队创新性地将GPT-2模型引入配电网状态估计,提出多模态数据融合框架。该架构通过三个独立通道处理文本提示、历史时序数据和实时测量数据:文本提示通道利用GPT-2的预训练参数解析包含时序趋势、拓扑关系和约束条件的自然语言描述;时序数据通道采用分块注意力机制提取特征;实时测量通道通过前馈网络对齐维度。最后通过特征拼接和输出层生成状态估计结果。
关键技术方法包括:1)基于历史数据统计特征的文本提示构建方法,将短期/长期趋势分为"急剧增加"等五类描述;2)通道独立的多模态融合架构,避免数值数据直接输入LLM造成的性能损失;3)针对IEEE 33节点和Simbench 144节点系统的验证方案,采用60%线路测量配置,添加5%高斯噪声模拟实际误差。
性能评估:在相同输入条件下,本文方法在IEEE 33节点系统中电压MAE低至7.78×10-3,相位角MAE为3.79×10-3;在144节点系统中电压MAE为1.50×10-3,相位角MAE为8.00×10-3,均显著优于对比方法。特别是当实时测量比例从30%增至70%时,该方法始终保持最优估计精度,验证了其在不同测量密度下的适应性。
消融实验:移除文本输入使MAE增加40%,证实GPT-2处理的语义信息对估计任务贡献最大;替换GPT-2为线性层导致MAE上升20%,证明预训练参数的有效性。同时,将GPT-2模块与MLP、LSTM等传统架构结合后,各项基准方法性能提升205%-425%,体现大语言模型的通用增强能力。
预训练参数分析:使用预训练参数的模型在32-50步内收敛,而参数重置模型需122-170步,且最终精度较低。这表明预训练知识显著加速模型优化过程,并提升最终性能上限。
本研究开创性地将大语言模型与多模态信息融合应用于配电网状态估计,通过文本提示工程挖掘有限数据的潜在规律,通道独立架构有效保持各模态特征完整性。实验证明该方法在稀疏测量场景下具有显著优势,为装备不足的配电网提供实用化解决方案。未来研究方向包括扩展至更大规模网络、实时部署策略及不确定性量化机制,进一步提升LLM基状态估计在实际应用中的可靠性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号