近期，我校自動化工程學院青年教師渠博崗博士在新型電力系統智能感知方面的兩項研究工作在國際頂級期刊IEEE Transactions on Industrial Informatics和IEEE/CAA Journal of Automatica Sinica上發表，合作單位包括東華大學、倫敦布魯奈爾大學、東北石油大學等。該研究得到了國家自然科學基金面上項目和青年項目以及上海市白玉蘭人才計劃浦江項目的資助。

研究成果一“Adaptive decentralized state estimation for multi-machine power grids under measurement noises with unknown statistics” 發表在IEEE Transactions on Industrial Informatics上, 該期刊是計算機科學領域的頂級期刊（SCI一區Top, IF: 11.7）（DOI：10.1109/TII.2024.3485791）。

隨著可再生能源的滲透以及各類隨機性負荷的接入，電網的運行條件與場景日趨復雜，這也使得傳統的控制與優化方案更為依賴對系統內部狀態的準確感知與了解。作為揭示系統內部行為的重要手段，狀態估計理論與技術受到了極大的關注。然而現有電力系統狀態估計方法多假設測量噪聲為已知統計特性的高斯分布，而實驗表明實際電力系統中噪聲可能服從非高斯分布且統計特性未知，這就使得已有的狀態估計算法無法繼續推廣和應用。

針對上述問題，本文提出一種自適應動態狀態估計算法，利用滑動窗口數據和高斯混合模型等技術，有效解決了多機電力系統在未知統計測量噪聲下的狀態估計問題。具體地，在同步發電機建模方面，采用模型解耦技術實現了發電機與整個電網的解耦，為算法的分布式部署奠定了基礎。在未知測量噪聲統計學特性的刻畫方面，利用滑動窗口內的連續測量值及核密度估計方法構建了基礎高斯混合模型，隨后采用Wasserstein距離準則驅動的模糊聚類算法進一步減少了基礎高斯混合模型的元素數量，有效降低了模型復雜度。基于上述模型，進一步在容積卡爾曼濾波算法的框架下設計了狀態估計算法，實現了對噪聲統計特性的自適應。基于IEEE 39節點系統的測試結果表明所提算法不僅能夠準確揭示測量噪聲的統計學分布，同時也能夠準確估計同步發電機的狀態。

研究成果二“Anomaly-resistant decentralized state estimation under minimum error entropy with fiducial points for wide-area power systems” 發表在IEEE/CAA Journal of Automatica Sinica上, 該期刊是自動化領域的頂級期刊（SCI一區Top, IF: 15.3）（DOI：10.1109/JAS.2023.123795）。

為了更好感知復雜工況下電力系統的狀態，進一步提高態勢感知、實時控制和安全評估能力，狀態估計算法越來越受到了工業界及學術界的關注。需要指出的是當前的分布式狀態估計算法大多只是將測量數據進行了區域劃分，并未從物理層面對系統進行分布式建模。此外，現有的狀態估計算法大多在最小均方誤差的框架下開展，無法應對異常測量數據的影響。

針對上述挑戰，本文梳理了準穩態電力系統的機理及傳感測量模型，將原系統劃分為不重疊的局部系統并建立相應數學與測量模型，針對局部系統互聯產生的邊緣測量也構建了模型。基于此分布式模型，考慮異常信息，在無跡卡爾曼濾波框架下提出基于含基準點的最小誤差熵準則（MEEF）的抗異常分散式狀態估計方法，其融合了最小誤差熵和最大相關熵準則，克服了最小誤差熵的平移性以確保誤差趨近于0。局部估計器設計分預測和更新部分，其中預測部分利用無跡變換生成Sigma 點，經狀態轉移和測量函數計算預測狀態、協方差矩陣等。在更新部分，采用統計線性化構建增廣模型，并基于MEEF準則設計成本函數，通過固定點迭代求解得到局部估計并轉換為信息形式,之后利用邊界測量遞歸更新局部估計并保證收斂。基于IEEE 14節點系統的測試結果表明所提分布式算法精度與集中式較為接近，且所提方法對異常和不良數據抵抗性強、計算效率高。

自動化工程學院 渠博崗 供稿

2025年2月17日