“双碳”战略的实施加速了分布式能源在配电网中的接入，导致配电网运行特性发生深刻变化。同时，分布式能源的不确定性削弱了配电网的实时可观性，难以精准监测其运行状态，由此引发的过载、过压和供电质量下降等问题已严重威胁配电网的安全性和稳定性。传统配电网状态估计方法依赖全面、精确的量测数据，然而，实际运行中数据不完整的现象普遍存在，使得传统方法难以满足估计精度和适应性的要求。在此背景下，亟须开发适用于不完全量测数据环境的高效状态估计方法，以保障配电网的稳定性与供电可靠性。
《中国电力》2025年第5期刊发了李鹏等撰写的《基于不完全量测数据的配电网状态估计方法》一文。文章提出一种基于贝叶斯优化CNN-LSTM的配电网状态估计方法。首先，基于有限的量测数据，采用生成对抗网络（generative adversarial networks，GAN）生成CNN-LSTM离线训练所需样本。然后，利用CNN提取关键特征，降低计算复杂度；利用LSTM处理时间序列数据，捕捉配电网的动态变化；利用贝叶斯优化自动调整超参数，提高模型精度和鲁棒性。最后，将实时量测数据导入训练完成的模型，用以预测配电网各节点的电压幅值与相角，并在IEEE 33和IEEE 123节点网络进行测试验证所提方法的有效性。实验表明，该方法在数据不完整和噪声干扰下表现出更高的适应性和精度，有效弥补了传统深度学习方法的不足。
摘要：随着分布式能源的大规模接入，传统配电网的运行特性发生显著变化，导致负荷分散、实时可观性差和数据不完整等问题，严重影响了配电网的状态监测和运行优化。对此，提出了一种基于不完全实时量测数据的贝叶斯优化卷积神经网络（convolutional neural networks，CNN）与长短期记忆网络（long short-term memory，LSTM）结合的配电网状态估计方法。该方法分为离线学习和在线状态估计2个阶段。离线学习部分，利用生成对抗网络生成所需样本，以训练CNN-LSTM模型，并采用贝叶斯优化算法调整超参数，从而提升算法的准确性。在线状态估计部分，基于不完全的配电网实时数据和训练完成的CNN-LSTM模型进行在线状态估计。最后，算例基于IEEE 33和IEEE 123网络进行仿真分析，验证了所提状态估计方法的有效性和准确性。
针对实时测量数据缺乏时配电网状态估计精度受限的问题，本文提出了一种基于贝叶斯优化CNN-LSTM的配电网状态估计方法，得到以下主要结论。
1）贝叶斯优化算法在调整CNN-LSTM超参数时能够显著提高寻优效率，节省时间资源，同时增强模型性能。
2）利用IEEE 33节点和IEEE 123节点配电网进行仿真，结果表明，即使在较大高斯噪声影响下，估计精度依然保持在较高水平，MAE维持在较小范围内，显示了良好的鲁棒性和稳定性。
3）与传统WLS相比，所提方法在噪声环境中的电压幅值和相角估计精度分别提高了53.91%和48.45%。此外，本方法在计算效率上也有显著提升，为提高配电网的运行效率和供电可靠性提供了强有力的技术支持，具备重要的实践意义。
