3. 状态估计：加权最小二乘法原理、坏数据检测与辨识、网络拓扑分析、可观测性分析

各位同学，咱们今天聊点硬核的——状态估计。说白了，就是SCADA系统采集上来的数据，你敢直接用吗？我反正不敢。遥测数据里经常混着坏数据，比如某个CT饱和了，或者通信丢包了。这时候就需要状态估计来“清洗”一遍数据，还原出系统最真实的运行状态。

我个人习惯把状态估计比作“数据医生”。它不光能看病（检测坏数据），还能开药方（辨识并剔除坏数据）。咱们一步步拆开看。

3.1 加权最小二乘法原理

先问个问题：为什么是“加权”最小二乘？

你想想看，不同量测的精度是不一样的。PMU的精度高，RTU的精度低，你总不能一视同仁吧？加权最小二乘法，就是给高精度量测更大的权重，让它们对估计结果有更多话语权。

数学上，我们要求解的目标函数是：

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

其中：

• z：量测向量（电压、功率、注入等）
• h(x)：量测函数（把状态变量映射到量测量）
• W：权重矩阵（通常取量测方差的倒数）
• x：状态变量（节点电压幅值和相角）

嗯，这里要注意：权重矩阵W是对角阵，每个元素对应一个量测的置信度。我在项目中遇到过，有人把权重设得乱七八糟，结果估计出来的电压比实际值偏了5%。后来一查，是某个变压器的功率量测权重设反了。

求解这个优化问题，通常用牛顿法迭代。迭代公式是：

Δx = [H^T * W * H]^{-1} * H^T * W * [z - h(x)]
x_new = x_old + Δx

这里的H矩阵是量测函数的雅可比矩阵。说白了，就是每个量测对状态变量的敏感度。迭代到Δx足够小，就收敛了。

3.2 坏数据检测与辨识

数据进来了，怎么知道哪个是坏的？我常用的方法是看残差。

残差 r = z - h(x̂)，就是量测值和估计值的差。正常情况下，残差应该服从正态分布，均值接近零。如果某个残差特别大，那这个量测大概率有问题。

坏数据检测分两步走：

1. 检测：用卡方检验（χ² test）判断整个量测系统是否存在坏数据。如果目标函数J(x)超过某个阈值，说明有坏数据。
2. 辨识：找到具体哪个量测是坏的。常用方法有：
   • 最大标准化残差法：计算每个量测的标准化残差，最大的那个就是嫌疑犯。
   • 假设检验法：对每个量测做t检验，看它是否显著偏离。

还有一个常见问题：多个坏数据同时存在怎么办？我建议用“逐次辨识法”——每次只剔除最可疑的那个量测，重新做一次状态估计，再检查。反复迭代，直到所有残差都正常。

3.3 网络拓扑分析

拓扑分析，说白了就是搞清楚“谁和谁连在一起”。电网的拓扑结构不是固定的——开关分合、线路检修、母线分裂，都会改变拓扑。

拓扑分析通常分两个层次：

• 母线模型：把物理节点（断路器、隔离开关）合并成电气母线。开关闭合的节点合并，断开的则分开。
• 网络模型：把母线通过支路（线路、变压器）连接起来，形成完整的网络拓扑。

我个人习惯用“节点-支路”关联矩阵来描述拓扑。这个矩阵的行是节点，列是支路，元素是1或-1表示连接关系。有了这个矩阵，雅可比矩阵H就能自动生成了。

拓扑分析还有一个重要功能：识别孤岛。如果某个区域和主网断开，那这个区域的状态估计就要单独做，或者干脆不做（因为可观测性可能不满足）。

3.4 可观测性分析

可观测性，就是问一个问题：现有的量测配置，能不能唯一确定系统的状态？

如果量测不够，状态估计的方程就是欠定的，解不唯一。比如，一个节点只有电压幅值量测，没有功率量测，那它的相角就定不下来。

可观测性分析通常用图论方法：

• 数值法：检查信息矩阵G = H^T * W * H是否满秩。如果满秩，就是可观测的。
• 拓扑法：构建量测图，看是否能生成一棵“量测树”覆盖所有节点。

我建议用数值法，简单直接。但要注意：数值法对浮点误差敏感，有时候矩阵接近奇异但没完全奇异，也会导致估计结果不稳定。

还有一个细节：可观测性分析要区分“全局可观测”和“局部可观测”。有时候整个系统是可观测的，但某个小区域（比如一个变电站内部）可能不可观测。这时候需要做“可观测性分解”，把系统分成可观测岛和不可观测岛。

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。你看一眼，就能把今天讲的内容串起来。

这张图把四个模块的关系讲清楚了。拓扑分析和可观测性分析是前置条件，加权最小二乘法是核心算法，坏数据检测是后处理。缺一不可。

好了，今天的内容就到这里。记住一句话：状态估计做得好不好，90%取决于数据质量和拓扑正确性，算法反而是最成熟的部分。把基础打牢，比什么都重要。