WLS状态估计器与蒙特卡洛仿真在低压配电网单相接地监测中的应用

做低压配电网监测仿真的朋友，一定遇到过这个尴尬：算法在单次算例里表现挺好，换个测量噪声样本就崩，最后审稿人或者导师来一句“你这个性能结论到底可不可信”。这个问题我前阵子做“基于WLS状态估计器的低压配电网单相接地监测方案性能分析”时感触特别深——方案本身不难，难的是把“测量误差的随机性质”这件事科学地处理掉，而这正是蒙特卡洛方法的主场。这篇文章我会从径向低压测试馈线的建模说起，把WLS状态估计器的原理、量测方程、权重设置、蒙特卡洛试验设计以及完整的Matlab实现思路全部拆开讲清楚，希望对正在做配电网状态估计、单相接地故障监测或者低压网络仿真评估的同行有点实际帮助。

需要说明的是，我下面聊的是个很常见的工程研究套路：在一个辐射状的（径向）低压测试馈线上搭建监测方案，用加权最小二乘（WLS）估计器去估计系统的运行状态，然后因为实际测量装置总带有随机误差，所以用蒙特卡洛方式重复大量随机试验来统计评估这个估计器的性能，最终判断监测方案是否稳定可靠。对刚入门分布式状态估计的研究生来说，这套流程应该能直接套用。

1. 低压配电网单相接地监测，为什么偏偏要上状态估计器

1.1 低压配电网监测和输电网监测的差异，到底有多大

输电网那边，PMU加上SCADA布点相对齐全，网络拓扑也相对清晰，状态估计已经是非常成熟的技术。但我们做低压配电网（LVDN）的时候，面对的完全是另一种处境：从配电变压器出来到用户表箱，线路短、分支多、三相不平衡严重，而且高压侧那套量测体系根本覆盖不到末端。很多低压台区只有变压器出口一个测量点，再往下几乎就是“盲区”。

更要命的是低压网络的电气特征。低压馈线的电阻和电抗比值（R/X）比中高压网络大得多，这意味着有功和无功的耦合关系特别强，不能用高压网络里常用的解耦简化策略。而且低压侧大量单相负荷、单相分支的存在，让三相电流天然不平衡，你拿对称分量法去套正序网络，往往会和实测对不上。

单相接地监测这个需求就更特殊了。低压系统的单相接地故障不像高压那么“猛烈”，故障电流受接地电阻、接触电阻、土壤回流路径等因素限制，有时候微弱到常规过流保护根本不会动作。可它又是低压电网里最常见、最容易引发电击和绝缘事故的故障类型。想靠几个离散的测量点直接判断“某个分支发生单相接地”基本不可能，工程上的思路其实是换个角度：先通过少量量测把整套系统的运行状态（各节点电压幅值和相角）尽可能准确地估计出来，再根据状态量的异常偏移、残差分布或者零序分量的变化来判断监测事件。状态估计器在这里不是简单地“算一个数”，而是把一个欠定、含噪的监测问题转化成统计意义上的最优化问题。

1.2 从“测得到”到“估得准”：WLS在这个场景里承担什么角色

你可能会有疑问：低压配电网直接装一堆传感器不就行了吗？现实是经济上不允许，而且很多地方根本没有合适的通信与安装条件。所谓监测方案，本质上是在“少量量测+高噪声”的条件下，用算法去补全看到的信息。WLS状态估计器就是一个典型的补全工具：给出系统的网络参数、拓扑结构、量测向量以及量测误差的统计特性，它输出一套最符合量测数据的系统状态。

把这个状态估计器嵌套进单相接地低压电网监测方案，逻辑是闭环的：正常运行时，各路量测能算出稳定的状态估计值；某个分支发生单相接地后，等效的零序阻抗变化、负荷侧的电压分布变化会反映到局部量测上，WLS估出的状态和真实状态之间虽然都存在误差，但在统计分布上会产生可识别的偏移。于是整个监测方案的性能好不好，就转化为“在随机量测误差干扰下，状态估计结果能不能可靠地区分正常工况和接地故障工况”。

这就是为什么标题里同时出现了“WLS状态估计器”“蒙特卡洛”“低压配电网”“单相接地”这几个概念：状态估计器是方案的核心算法，蒙特卡洛是验证方案性能的手段，而单相接地低压电网则是整个方法的落点场景。

2. 径向测试馈线里的WLS状态估计：数学模型与权重设置

2.1 WLS状态估计的数学框架：目标函数与迭代解

WLS的出发点是最小二乘思想：既然量测向量 z 和状态向量 x 之间存在非线性映射关系

z = h(x) + e

其中 e 是量测误差，那么我们就找一组状态 x，使得加权残差平方和最小。目标函数写成

J(x) = [z - h(x)]ᵀ · R⁻¹ · [z - h(x)]

这里的 R 是量测误差协方差矩阵。如果量测误差之间互不相关，R 就是一个对角阵，对角线上的元素就是每个量测的方差。权重矩阵 W = R⁻¹ 会把那些精度高、方差小的量测放在更重要的位置。

因为是非线性问题，WLS通常用高斯-牛顿法迭代求解。记 H 为量测函数 h(x) 对状态变量 x 的雅可比矩阵，每次迭代求解线性方程组

Δx = (Hᵀ W H)⁻¹ Hᵀ W [z - h(x)]

然后把状态更新为 x ← x + Δx，直到 Δx 的范数小于设定的收敛阈值。这个公式是几乎所有WLS状态估计程序的核心，后面Matlab实现部分也是围绕它展开的。

迭代格式里有一点值得仔细体会：信息矩阵 G = Hᵀ W H 是否病态，直接决定了迭代能不能收敛、收敛得快不快。低压径