4、状态估计：为什么要做状态估计、加权最小二乘法原理、坏数据检测与辨识

大家好，我是老张。今天咱们聊聊状态估计。说实话，我刚入行那会儿，觉得状态估计就是个“锦上添花”的东西——数据都有了，直接算不就行了？后来在项目里栽了跟头，才明白这步有多关键。

4.1 为什么要做状态估计？

你想想看，EMS系统里成千上万个测点，SCADA采集上来的数据，真的都靠谱吗？

我遇到过这么个事：某次调度员看着母线电压显示正常，结果实际已经越限了。查了半天，原来是某个PT（电压互感器）的接线端子松了，导致测量值偏小。要不是后来做了状态估计，这个隐患不知道要藏多久。

说白了，状态估计要解决三个核心问题：

• 数据冗余与一致性：同一个电气量可能有多个测点（比如线路两端都有功率测量），它们之间可能互相矛盾。状态估计能“调和”这些矛盾。
• 坏数据检测：测量设备会坏、通信会丢包、遥测会跳变。状态估计能揪出这些“捣乱”的数据。
• 不可观测量的推算：有些量没法直接测（比如某些节点的电压相角），但可以通过其他量间接算出来。

我个人习惯把状态估计比作“数据清洗+数据补全”的组合拳。它先帮你把脏数据洗掉，再把缺失的数据补上，最后给你一套自洽的、完整的系统状态。

4.2 加权最小二乘法原理

好，那状态估计具体怎么做的？最经典的方法就是加权最小二乘法（WLS）。

原理其实不复杂。假设我们有m个测量值（z₁, z₂, ..., zₘ），n个状态变量（一般是节点电压幅值和相角）。测量值和状态变量之间有个关系：

z = h(x) + e

其中h(x)是测量函数（比如功率方程），e是测量误差（通常假设服从正态分布）。

加权最小二乘法的目标就是：找到一组状态变量x，使得测量残差的加权平方和最小。

min J(x) = [z - h(x)]ᵀ · W · [z - h(x)]

这里的W是权重矩阵，对角线元素是每个测量值的权重。权重怎么定？我一般用测量精度的倒数。精度高的测量（比如数字式仪表），权重就大；精度低的（比如老式变送器），权重就小。

求解这个优化问题，通常用牛顿法迭代。迭代公式长这样：

Δx = (Hᵀ · W · H)⁻¹ · Hᵀ · W · [z - h(x)]
x_new = x_old + Δx

其中H是雅可比矩阵（测量函数对状态变量的偏导数）。

我记得第一次手写WLS代码时，卡在雅可比矩阵的推导上。后来发现，其实很多电力系统分析工具包（比如MATPOWER）都有现成的函数。但建议你还是自己推一遍，理解透了才能用好。

4.3 坏数据检测与辨识

状态估计做完了，数据就干净了吗？不一定。还得做坏数据检测。

坏数据检测的核心思想是：如果某个测量值偏差太大，那它很可能是坏的。怎么判断“太大”？看残差。

常用的方法有：

• 残差检测法：计算每个测量值的标准化残差。如果某个残差超过阈值（比如3σ），就标记为可疑。
• χ²检测法：计算目标函数J(x)的值，如果它超过某个统计阈值，说明整体数据质量有问题。
• 量测突变检测：比较当前测量值和历史值，如果变化幅度异常大，可能是坏数据。

我曾经在项目里遇到过一个典型案例：某条线路的功率测量值突然跳变到正常值的两倍。残差检测法直接把它揪出来了。后来一查，是RTU（远程终端单元）的通信模块出了故障。

坏数据辨识比检测更进一步——不仅要发现坏数据，还要找出具体是哪个测点坏了。常用的方法有：

• 逐个排除法：把可疑的测量值逐个剔除，重新做状态估计，看哪个剔除后残差下降最明显。
• 残差灵敏度分析法：通过灵敏度矩阵，分析每个测量值对残差的贡献度。

我个人更推荐残差灵敏度分析法，效率高，不用反复迭代。但要注意，如果多个坏数据同时存在，可能会互相掩盖，这时候就得用更高级的方法了。

4.4 状态估计的整体流程

说了这么多，咱们用一张图把整个流程串起来：

这张图把整个流程串起来了。从SCADA采集原始数据开始，经过拓扑分析（确定网络结构）、可观测性分析（检查数据是否足够）、WLS状态估计、坏数据检测，最后输出干净的状态估计结果。

如果可观测性分析发现数据不够，就得加伪量测（比如用历史数据或预测值补上）。如果坏数据检测发现了问题，就得把坏数据剔除，重新做状态估计。

好了，这一章就到这里。下一章咱们聊聊动态状态估计，那又是另一个有意思的话题了。

---

公众号:蓝海资料掘金营，微信deep3321