企业官网建设流程全解析

1. 项目概述：为什么低压配电网需要状态估计，又为什么选WLS

1.1 低压台区的“盲调”困境

绝大部分做配电网的人都有同感：中压10kV有调度自动化、有SCADA、有故障指示器，可在0.4kV低压侧基本属于“盲调”状态。变压器出口装一块总表，最多再装几个分支监测终端，再往下的用户侧情况基本靠“用户报修+人工巡检”。不是不想测，而是低压网络节点数量太大、单点投资预算极低，不可能像输电网那样铺满量测终端。

于是问题就来了：明明台区变压器出口的电压、电流、功率都测得挺准，可到了线路末端，电压到底掉到多少？三相不平衡有多严重？哪条分支线损最高？这些信息其实是不完整的。更麻烦的是单相接地这类故障，低压侧单相接地不像中压那样有完善的选线装置，很多时候要拿着钳形电流表一段一段找。

这个项目做的事情，说起来很直白：在一条典型的径向低压测试馈线上，用WLS加权最小二乘状态估计器，把手头有限的测量数据（电压幅值、支路功率、注入功率等）融合起来，估算出整条馈线每个节点的电压幅值和相角。因为测量误差是随机性的，单个样本的估计结果说明不了问题，所以整个性能评估用蒙特卡洛方式跑大量随机场景，统计状态估计器的偏差和方差表现，最终评估这套监测方案到底可不可靠。配套的Matlab代码把整条链路打通，从网络建模、量测生成、WLS迭代到蒙特卡洛统计，全部可以复现。

1.2 技术选型的三个关键决策

先解释三个关键决策，每个都对应一个“为什么”。

第一，为什么选WLS而不是更时髦的AI方法？低压配电网可观测性差、量测冗余度低，但状态估计的物理模型是清晰的——节点电压和量测量之间的关系就是潮流方程。WLS作为经典估计器，不依赖训练数据，可解释性强，在量测冗余度勉强够用的时候，结果稳定且实现成本低。对低压这种测量点稀疏的场景，先看经典线性估计器的上限，比一上来就用黑箱模型更靠谱。

第二，为什么要在径向低压测试馈线上做？低压配电网绝大多数是放射状结构，几乎没有环网。径向拓扑让潮流计算可以沿用经典的前推回代法，不需要求解完整牛拉法的大规模稀疏矩阵。WLS迭代中用到的雅可比矩阵，也因此有了明确的解析表达式，代码实现起来清晰可控。

第三，为什么用蒙特卡洛？因为测量误差是随机变量，某一次仿真得到一个估计结果，只能说明“这次运气好不好”。蒙特卡洛的核心价值在于：把测量误差按指定的协方差矩阵反复抽样，跑几百上千次独立的估计，最后统计误差均值、均方根误差RMSE、最大误差等指标，才能客观回答“这套监测方案在统计意义上到底能不能用”。这个思路跟硬件在环测试、可靠性试验是一脉相承的。

2. WLS状态估计原理与低压电网的适配处理

2.1 WLS核心数学模型

WLS状态估计的目标，用一句话概括就是：找一组状态变量x（通常是各节点电压幅值和相角），让量测残差的加权平方和最小。量测方程写作：

z = h(x) + e

其中z是量测向量，h(x)是量测函数（由潮流方程推导），e是零均值高斯测量噪声，协方差矩阵为R。加权矩阵取W = R⁻¹，这样精度越高的表计权重越大。目标函数为：

J(x) = min [z - h(x)]ᵀ W [z - h(x)]

求解这个非线性最小二乘问题，标准做法是高斯-牛顿迭代。令H为量测雅可比矩阵，迭代修正量为：

Δx = (HᵀWH)⁻¹ HᵀW [z - h(x)]

每一步状态变量更新为x = x + Δx，直到修正量满足收敛条件（通常取max|Δx| < 1e-6）。增益矩阵G = HᵀWH在迭代中反复更新，直到收敛。

这个公式本身在输电网有成熟应用，但搬到低压配电网有两个坑。第一个坑是低压线路的R/X比值很高，输电网常用的“忽略电阻、只保留电抗”简化完全不成立，雅可比矩阵里电阻项必须完整保留。第二个坑是低压系统三相不平衡严重，严格说应该用三相模型，但做单相等效或只研究单相接地工况时，可以先把网络简化为单相径向模型，把问题的核心聚焦在估计器本身。

2.2 量测配置与可视性分析

做状态估计之前，必须回答一个前置问题：现有的量测配置够不够让状态变量可估计。低压馈线的典型量测配置大概是这样的：

• 馈线入口（变压器低压侧出口）：电压幅值、三相有功、无功，精度较高，相当于“准PMU”性质的参考点；
• 主干线路中间节点或分支点：少量的电压幅值和支路功率量测，可能来自智能配变终端或分支监测单元；
• 用户侧：智能电表可以提供电量数据，但采集周期长、时间同步性差，本项目第一阶段不把它当作实时量测参与估计。

要支撑一条有n个节点的径向馈线状态估计，至少需要n个或以上独立量测才谈得上可观测。入口处的电压幅值固定了参考节点的幅值，还需要设置一个参考相角（通常取根节点相角为0）。其他节点则靠功率和电压量测的组合来约束。实际调试中最容易犯的错是：量测数刚刚够，但空间分布不合理，导致雅可比矩阵条件数极大，迭代收敛后结果飘得离谱。

2.3 测量误差建模与权重设定的细节

测量误差建模直接决定蒙特卡洛结果的可信度。常见的经验取值是：电压幅值误差标准差0.5%~1%，功率量测误差标准差1%~3%。误差按高斯分布生成，也就是在真值上叠加一个均值为零、标准差为指定值的随机数。

权重矩阵的做法是：W = R⁻¹，R是对角阵（假设各量测独立），对角元素取σ²。这里有个容易忽略的细节：如果不同量测的误差标准差用百分比表示，那么功率量测的方差是“真值百分比”的平方，它与电压量测的方差在数值上可能差几个数量级，这会直接影响增益矩阵的条件数。我的做法是在进入WLS迭代前，对量测向量和量测函数做归一化处理，把各量测量纲拉回到同一数量级，迭代数值稳定很多。

另外，实际运行时可能有个别表计故障产生坏数据。WLS对坏数据没有鲁棒性，一个错误值就能把估计结果整体带偏。在蒙特卡洛框架里，我没有把坏数据场景纳入本轮分析，但在工程化的时候，建议在WLS前加一步残差检测，用标准化的残差阈值把离群量测剔除，否则现场数据根本没法直接用。

3. Matlab仿真架构与代码实现要点

3.1 代码模块划分与整体流程

整个仿真程序我按功能拆成五个模块，每个模块一个函数文件，主干脚本只负责串联和统计。这样做的最大好处是调试效率高：量测生成写错了，只需要改量测模块，不用动WLS迭代；潮流函数有问题，可以单独用一个已知结果的小网络验证。

五个模块分别是：

• 网络参数定义脚本：线路阻抗、节点负荷、拓扑连接关系；
• 潮流计算函数：给定各节点负荷和根节点电压，用前推回代求全网真实状态；
• 量测生成函数：在真实状态基础上叠加高斯噪声，生成一组带误差的量测数据；
• WLS估计函数：输入量测、权重和网络参数，迭代求解状态估计值；
• 蒙特卡洛主脚本：循环调用量测生成和WLS估计，汇总统计指标并绘图。

主循环的框架大致如下：

% 蒙特卡洛主循环 N_mc = 500; % 蒙特卡洛样本数 err_u = zeros(N_mc, num_node); % 电压幅值误差存储 err_theta = zeros(N_mc, num_node); % 相角误差存储 for k = 1:N_mc z_meas = generate_measurements(x_true, R); % 生成带噪声的量测 x_est = wls_estimator(z_meas, W, network); % WLS估计 err_u(k, :) = abs(x_est(:,1)) - abs(x_true(:,1)); err_theta(k, :) = x_est(:,2) - x_true(:,2); end % 统计指标 rmse_u = sqrt(mean(err_u.^2, 1)); mean_err_u = mean(err_u, 1);

3.2 前推回代潮流计算：低压径向网的基础

既然测试馈线是径向结构，潮流计算我用了前推回代法，而不是通用的牛顿拉夫逊法。原理并不复杂：从末端节点开始，已知各节点负荷功率，向根节点方向回推计算各支路流过的功率；再从根节点出发，已知根节点电压，向前推算出各节点电压。迭代两到三次就能收敛到高精度。

核心函数的核心循环大致这样：

% 回代：从末端到根，累加支路功率 for i = num_branch:-1:1 child = branch(i, 2); parent = branch(i, 1); S_child = sum_child_power(child); % 该节点及其下游所有负荷功率 S_branch(i) = S_child; end % 前推：从根到末端，计算节点电压 for i = 1:num_branch parent = branch(i, 1); child = branch(i, 2); dV = (R(i) * P_branch(i) + X(i) * Q_branch(i)) / V(parent); V(child) = V(parent) - dV; end

前推回代法的好处是直观、稳定、迭代次数少，特别适合低压径向网。缺点是没法直接处理环网，好在低压配电网的常规拓扑基本不用考虑环网。如果后续要扩展到多电源或合环运行，才需要考虑换成牛拉法或潮流注入法。

3.3 WLS迭代核心：雅可比矩阵与增益矩阵的组装

WLS迭代的核心难点在于量测雅可比矩阵的推导和组装。对于径向低压馈线，如果选每个节点的电压幅值V和相角θ作为状态量，那么量测方程分三类：

• 电压幅值量测：h = V_j，雅可比行向量在该节点对应位置为1，其他地方为0；
• 支路功率量测：牵扯到支路两端节点电压和相角，雅可比元素需要求导；
• 节点注入功率量测：涉及该节点及与其相连的所有支路功率对状态量的偏导。

写成代码时，逐条量测计算雅可比行向量然后拼装：

function [h, H] = measurement_function(x, network, meas_spec) H = zeros(num_meas, num_state); h = zeros(num_meas, 1); for m = 1:num_meas type = meas_spec(m).type; % 'V' 或 'P_branch' 或 'Q_branch' switch type case 'V' h(m) = x(meas_spec(m).node); H(m, meas_spec(m).node) = 1; case 'P_branch' [h(m), H(m,:)] = branch_p_meas(x, network, meas_spec(m).branch); otherwise error('Unknown measurement type'); end end end

迭代循环里，最关键的是解线性方程这一步。增益矩阵G = HᵀWH可能维度不大，但条件数可能很差。我建议不要用inv(G)显式求逆，而是用左除运算dx = G \ rhs，Matlab会选用最合适的稀疏求解器，数值稳定性好很多。

3.4 量测生成函数：蒙特卡洛误差注入的实现

量测生成函数本身不复杂，注意的点全在细节上。生成带噪声的量测时，不要让噪声标准差用“真值的百分比”直接乘，然后叠加上去，如果某个节点功率接近零，那个量测的噪声可能变成负值甚至超过真值本身，这在物理上不合理。更稳的做法是：设定一个最小功率门槛，低于该门槛的量测噪声标准差取该门槛对应值。

另外，所有量测必须加在“真实潮流解”上。先跑一次前推回代，得到无噪声的全网真实状态，然后在这个真值上叠加高斯噪声。这个流程保证了蒙特卡洛中“真值”是已知的，才能计算估计误差。实际现场拿不到真值，但仿真平台必须自己造真值，否则无从判断估计器好坏。

4. 性能评估指标与典型仿真结果解读

4.1 评估指标体系怎么定

状态估计性能不能只盯一个指标。我的评估体系分成三个维度：

• 估计精度：衡量估计值离真值有多近。用电压幅值估计的最大绝对误差、平均绝对误差、均方根误差RMSE三类指标；
• 估计稳定性：衡量多次蒙特卡洛实验中结果的离散程度。用电压估计误差的标准差来表示，标准差越大说明估计器对误差越敏感；
• 收敛可靠性：统计全部蒙特卡洛样本中WLS迭代收敛的比例。收敛率低于90%说明算法数值稳定性有问题，或者量测配置不达标。

表格式地看，大概是这样的维度：

4.2 不同量测误差水平下的性能变化

我在仿真里设置了三组量测误差水平：高精度组（电压0.3%，功率1%）、中精度组（电压0.5%，功率2%）、低精度组（电压1%，功率3%）。蒙特卡洛500次，每组跑一遍。结果趋势很明显：估计误差和量测误差基本呈线性关系，量测误差降低一半，估计RMSE也大约降低一半。这个结论在理论上是符合WLS性质的——量测权重本身就是按误差协方差设定的，误差越小权重越大，对最终估计的贡献占比越高。

更值得注意的现象是：即便在最差的低精度组，馈线末端的电压幅值估计RMSE也能控制在0.8%左右，而入口电压量测误差已经达到1%。这表示WLS把冗余量测融合之后，确实起到了“平滑噪声”的效果。但如果量测冗余度不足，这个优势会迅速消失。

4.3 量测冗余度对估计性能的影响

量测冗余度指的是量测数量与状态变量数量之差。理论上冗余度越高，WLS平滑噪声能力越强。实际仿真里我做了个对比：仅入口量测加上末端电压量测（相当于冗余度只有1~2）与增加三处分力量测后的效果相比，电压幅值RMSE从1.2%降到0.4%左右，改善非常显著。

这说明一个工程上很重要的问题：与其追求单个量测的高精度，不如多布几个中精度的量测点，冗余度的提升对WLS性能的影响比单表精度提升更明显。在预算有限的情况下，把资金花在增加监测点数量上，往往比买更贵的仪表更划算。

4.4 典型结果示例与参数化解读

以一条包含11个节点、10条支路的典型低压径向馈线为例，根节点电压设定为1.0pu（即400V/400V），末端负荷按典型居民台区分布设置。中精度组跑500次蒙特卡洛，得到的结果是：

• 所有节点电压幅值估计的RMSE均在0.45%到0.6%之间；
• 电压相角估计RMSE在0.1度到0.3度之间，越靠近末端误差越大；
• 最大单次估计误差出现在末端节点，约为1.1%，但这种情况出现的概率不到3%。

这说明整套方案在测量误差随机波动情况下，估计性能是稳定可靠的。单次估计可能偶尔偏大，但蒙特卡洛统计上的表现完全满足低压监测的需求。

5. 实操中踩过的坑与调参技巧

5.1 WLS迭代不收敛的常见原因

我在调试过程中遇到最多的问题是迭代发散或震荡。归纳起来原因有三类。

第一类是初值太差。虽然WLS是全局收敛性较好的算法，但初值离谱时高斯牛顿步长可能过大。解决方法是：用平启动初值，所有节点电压幅值取根节点电压值，相角取0度；也可以先用一次前推回代潮流结果作为初值。这样做之后，绝大多数情况下迭代都能在15次以内收敛。

第二类是权重设置跨量级。电压量测残差在0.001量级，功率量测残差在0.01量级，权重倒过来差别很大，增益矩阵数值不平衡。解决方法是做归一化，或者把状态变量从有名值改为标幺值。标幺值处理之后，雅可比矩阵元素量级更接近，收敛速度明显提升。

第三类是量测函数存在奇异点。某些特殊工况下雅可比矩阵接近奇异，导致迭代步长异常。遇到这种情况，我一般检查负荷是否有零值节点，或者量测是否出现冗余配置完全相同的两条表计。这类情况通过人工审查量测配置就能发现。

5.2 增益矩阵奇异与病态问题的排查

WLS迭代中G = HᵀWH如果奇异，直接左除会报错或给出巨大数值。排查思路是看量测配置的几何分布。径向馈线有一个典型风险：如果只在馈线入口装了高精度量测，其他所有量测都集中在某一条分支上，那么其他可用分支的状态变量实际上没有量测约束，G矩阵必然病态。

我的排查技巧是：在进入蒙特卡洛大循环之前，先跑单次WLS，检查G矩阵的条件数。如果cond(G)超过1e8，直接判定当前量测配置不合格，重新设计量测方案再做蒙特卡洛。不要让几百次仿真白白浪费算力去统计一个本就不合理的方案。

5.3 蒙特卡洛样本数的选择

蒙特卡洛样本数不是越大越好。样本数太小，统计指标的波动很大；样本数太大，算力开销大。我做了个收敛性测试：同一量测配置下分别跑50、100、200、500、1000次，发现样本数超过200之后，电压幅值RMSE的估计值基本稳定在0.02%以内，继续增加样本意义不大。

实操建议是：先用100次样本做快速摸底测试，如果收敛率和RMSE指标明显偏离预期，先排查代码和量测配置；确认稳定后再跑500次出正式统计结果，兼顾计算效率和数据可靠度。在普通台式机上，11节点的网络跑500次WLS大约只需要一两分钟，完全不需要GPU加速。

5.4 代码调试与验证的建议

写WLS代码最容易出的问题不是迭代本身，而是量测雅可比矩阵推导错误，验算无误但结果对不上。我强烈建议用一个极简的三节点网络先做基准测试：在三条支路上各自设置已知负荷，手算一组潮流结果和雅可比矩阵，然后用代码跑一遍核对。这种基准测试脚本建议保留下来，每次修改代码后都跑一遍回归。

另外一个实用技巧是在Matlab中把每次迭代的状态量、残差范数打印出来，观察下降趋势。正常情况下残差范数应该单调下降或小幅震荡后下降，如果某一步突然跳增，往往是雅可比矩阵某行有符号错误或者是功率方向约定不一致。

6. 后续扩展方向与真正的工程化问题

6.1 单相模型升级到三相不平衡模型

当前方案用单相等效模型解决了“径向馈线WLS估计能不能成立”的问题，但低压配电网真正的复杂度在于三相不平衡。同一根电杆下的三户人家，负荷差异可能非常大，三相电流不平衡导致中性线电流和零序电压问题，单相模型没法刻画。

如果需要扩展，建议把状态变量从单相电压相量扩展为三相电压相量，每节点三个电压幅值和三个相角，量测方程也要按三相分别建模。前推回代法在三相模型下需要升级为三相前推回代，支路潮流和电压降落公式都要改成考虑互阻抗的矩阵形式。代码量会增加不少，但总体的蒙特卡洛框架不需要改动。

6.2 与AMI高级量测体系的数据融合

当前方案只用了配电自动化层面的量测，没有把智能电表的海量数据纳入进来。实际工程中，智能电表数据虽然时间同步性差、精度参差不齐，但胜在数量庞大，每户都有。如果把电表历史电量数据转换成准实时注入功率，作为伪量测加入WLS，可以显著提升可观测性，尤其是分支末端的状态估计能力。

难点在于伪量测的方差怎么定。我的经验是先做一段历史数据比对，统计电表电量换算成功率与真实功率之间的偏差分布，然后把这个经验方差作为伪量测权重。这样处理以后，末端节点电压估计精度能有明显提高。

6.3 从仿真到现场部署的差距

仿真跑通只是第一步。真正去现场部署时，还会遇到时间同步不一致、通信丢包、数据缺失、坏数据等问题。建议在仿真平台里增加一个“数据质量模拟”模块，随机丢包、随机延时、随机坏数据，再来评估WLS的鲁棒性，这样的测试结果才更接近现场。

我个人这段实操下来，最大的体会是：状态估计算法本身是成熟的，难点从来不在公式推导，而在量测配置的合理性和数值实现的细节。很多人一上来就钻到WLS公式推导里，其实先花时间把量测误差建模和蒙特卡洛统计框架搭好，反而能更早发现系统性的问题。这个项目的代码框架留好了扩展口，后续无论是接三相模型、接AMI数据，还是换更鲁棒的估计器，都可以在不推翻现有结构的前提下进行。