4、现货市场下的EMS状态估计：状态估计原理、加权最小二乘法、不良数据检测与辨识
各位同行，今天我们来聊聊EMS里一个非常核心的模块——状态估计。说实话，我刚入行那会儿，觉得SCADA（数据采集与监控系统）直接拿遥测数据用不就行了？干嘛还要多此一举做状态估计？后来在项目里吃了亏才明白，现场来的数据，那叫一个“脏”。
你想想看，一个500kV变电站，几百个遥测点，偶尔来个通信中断、互感器饱和、或者A/D转换卡了个毛刺，SCADA上显示的数据就全乱了。调度员要是按这个去决策，那后果……嗯，我不说你也懂。
所以，状态估计就是干这个的——从一堆“半真半假”的量测数据里，把系统真实的运行状态给“算”出来。说白了，就是给数据做一次“去伪存真”的清洗。
4.1 状态估计的基本原理
状态估计的核心思想，其实就一句话：用冗余的量测信息，去推算系统最可能的状态。
什么叫冗余？举个例子，一条线路两端都有功率表，理论上P1应该等于P2加上线损。但如果两个表读数对不上，你信谁？状态估计不偏信任何一个，而是利用全网所有量测，通过数学模型找出一个“最合理”的解。
数学上，我们建立这样一个关系：
z = h(x) + v其中：
- z：量测向量（SCADA传来的电压、功率、电流等）
- x：状态向量（通常是各节点的电压幅值和相角）
- h(x)：量测函数（描述状态量与量测量之间的物理关系）
- v：量测误差（服从正态分布，均值为0）
我们的目标，就是找到一组x，使得h(x)与z之间的“差距”最小。这个“差距”怎么衡量？这就引出了加权最小二乘法。
我个人习惯把状态估计比作“拼图”。SCADA数据是散落一地的碎片，有的碎片是完整的，有的缺了角，有的干脆是别的拼图混进来的。状态估计就是那个帮你把正确碎片拼回原图，同时扔掉错误碎片的过程。
4.2 加权最小二乘法（WLS）
加权最小二乘法，是状态估计里最经典、最成熟的方法。它的目标函数长这样：
min J(x) = [z - h(x)]^T * W * [z - h(x)]这里的W是权重矩阵，通常取量测误差方差的倒数。为什么加权？因为不同量测的精度不一样。比如PMU（相量测量单元）的精度远高于常规RTU（远程终端单元），那PMU的数据就应该被赋予更高的权重。
求解这个优化问题，通常用牛顿法迭代。迭代公式为：
Δx = [H^T * W * H]^{-1} * H^T * W * [z - h(x)]
x_new = x_old + Δx其中H是量测函数的雅可比矩阵。每次迭代，就是沿着“梯度下降”的方向修正状态量，直到收敛。
避坑指南：我曾经在一个项目里，发现状态估计怎么都不收敛。查了两天，最后发现是雅可比矩阵里一个符号写反了。所以，写代码时一定要把H矩阵的推导手算一遍，别偷懒。
加权最小二乘法的优点很明显：
- 数学基础扎实，收敛性好
- 能充分利用冗余量测
- 实现相对简单
缺点也有：
- 对不良数据敏感（一个坏数据可能把整个解带偏）
- 计算量大（需要求逆矩阵，对大规模系统是个挑战）
4.3 不良数据检测与辨识
前面说了，WLS对坏数据很敏感。那怎么办？这就需要不良数据检测与辨识（BDD/BDI）出场了。
检测，就是判断“有没有坏数据”。辨识，就是找出“哪个是坏数据”。
4.3.1 检测方法：残差分析
状态估计做完后，我们会计算量测残差：
r = z - h(x̂)正常情况下，残差应该服从正态分布，均值为0。如果某个量测的残差特别大，那它很可能就是不良数据。
常用的检测指标是标准化残差：
r_N = |r_i| / σ_i设定一个阈值（比如3.0），如果r_N超过阈值，就认为存在不良数据。
注意：残差大不一定就是坏数据！有时候是系统拓扑结构错了，或者参数错了。我曾经遇到过一次，所有残差都偏大，最后发现是变压器变比参数输错了。所以，检测到异常后，先别急着删数据，要综合判断。
4.3.2 辨识方法：逐次剔除
检测到不良数据后，怎么找出具体是哪个？最直接的方法是“逐次剔除”：
- 计算所有量测的标准化残差
- 找出标准化残差最大的那个量测
- 把它从量测集中剔除
- 重新做状态估计
- 重复以上步骤，直到所有残差都正常
这个方法简单有效，但计算量大。对于大规模系统，每次剔除一个数据都要重新做一次状态估计，效率很低。
4.3.3 更高效的方法：假设检验
在实际工程中，我更推荐用假设检验的方法。它的思路是：
- 先假设所有数据都是好的（零假设H0）
- 计算统计量（比如χ²统计量）
- 如果统计量超过阈值，拒绝H0，说明存在不良数据
- 然后利用“残差灵敏度矩阵”直接定位不良数据，不需要反复迭代
这种方法效率高，适合在线应用。我在做某省调EMS升级时，就把原来的逐次剔除改成了假设检验，状态估计的计算时间从5秒降到了0.8秒。
4.4 知识体系总览
下面这张图，是我自己总结的状态估计知识体系，帮你理清思路：
这张图把整个流程串起来了：SCADA数据进来，经过WLS状态估计，然后做不良数据检测和辨识，最后输出干净、可靠的状态估计结果。每一步都环环相扣，缺一不可。
我的经验：在实际工程中，状态估计的收敛性和准确性，很大程度上取决于量测配置。如果某个区域量测冗余度不够，状态估计就很难收敛。所以，在做EMS设计时，一定要和SCADA系统规划同步进行，确保关键节点有足够的量测。
好了，关于状态估计的原理、加权最小二乘法和不良数据处理，今天就聊到这儿。这些内容看起来有点数学化，但说白了，核心就是“用冗余换可靠”。你只要记住这个思路，具体算法细节可以在实践中慢慢打磨。
公众号:蓝海资料掘金营，微信deep3321