基于PMU量测的WLS状态估计框架：Matlab实现与Newton-Raphson对比验证

这段时间一直在调试一套基于PMU量测的电力系统状态估计框架，核心就是用加权最小二乘（WLS）做估计器，拿PMU的模拟量测数据去估计各节点电压幅值和相角，最后用Newton-Raphson潮流计算出来的电压解作为“标准答案”做对比验证。整套东西在Matlab里跑通，前后踩了不少坑，这里把完整思路、数学原理、代码实现和排错过程都整理出来，给后面要做状态估计、PMU配置优化或者WLS方向的同学一个能直接上手的参考。

这套框架做出来能干什么？简单说，你给它一份电网拓扑参数，它先通过Newton-Raphson潮流得到一组电压解作为真值，然后按照PMU的测量原理给真值叠加噪声，生成一批模拟量测，再用WLS迭代估计电压状态，最后把估计值、带噪声量测值和NR解画在一起对比，用误差指标评估估计精度。整个过程适合刚入门状态估计的研究生、做配电自动化或者微电网方向的同学，也适合想把手动计算改成代码实现的工程师。整体难度不大，但涉及非线性迭代、雅可比矩阵推导、量测函数构建和收敛判断，弄一遍能把这些概念串起来。

1. 项目到底在做什么：仿真环境下的状态估计验证框架

1.1 为什么要把WLS状态估计和Newton-Raphson潮流放在一起对比

很多人第一眼看到这个题目就困惑：状态估计是估计电压，潮流计算也是求电压，那直接用潮流不就行了，为什么还要做状态估计？这里有个根本区别得先讲清楚。

Newton-Raphson潮流解算的前提是：发电有功无功、负荷有功无功都是确定已知的，网络的拓扑和参数（线路电阻、电抗、对地导纳）也完整准确。在这个前提下，潮流方程2n个约束条件配2n个未知数，方程数刚好，解是唯一确定的。换句话说，NR潮流是给定“完整输入”，求精确解。

状态估计面对的现实根本不是这样。实际电网里，调度中心拿到的量测来自SCADA和PMU，这些量测值本身就带误差，有些还可能缺失甚至错误。发电出力和负荷也不是完全精确可测的。你手里只有“一批不太准确的量测数据”，想要推出系统当前的电压状态。这时候方程数往往多于未知数（量测冗余），要用统计估计的思路，从带噪声的量测里把最优状态“挑”出来，这就是WLS做的事。

那为什么要拿WLS的估计结果和NR潮流解对比？因为在真实电网里，你没有“真值”可以用来评判估计器做得好不好。但仿真环境里可以人为制造一个可控的场景：先用NR解出一个精确的电压解，把它当作“地面真值”，然后在这个真值上叠加噪声模拟PMU量测，再让WLS去估计。如果WLS设计正确，估计结果应该能接近NR解，误差越小说明估计器越有效。

可以这样类比：NR潮流是标准答案生成器，PMU是戴着有色眼镜观察标准答案的测试者，WLS是一个基于多次观察结果反推标准答案的考生。项目就是让“考生”和“标准答案生成器”同场考试，看考生能不能排除眼镜颜色的干扰，交出一份接近满分的卷子。

1.2 这个框架的适用场景和后续扩展空间

这套仿真框架适合谁？

第一类是刚接触状态估计的新手。WLS的公式推导、雅可比矩阵求解、迭代收敛逻辑全部落地成代码，比自己对着书看容易理解得多。把IEEE 14节点改成IEEE 39节点，或者在3节点小系统上跑通再改大系统，都只需要改数据文件，核心迭代代码不用动。

第二类是做PMU优化配置的同学。PMU成本高，一台装置加配套通信将近几十万元，不可能全部节点都装。很多论文研究的就是“用最少的PMU实现全网可观测”。这套框架里量测配置改起来非常方便，把某些PMU的测量通道注释掉，就能看可观测性下降后WLS的估计精度崩成什么样，这对理解零注入约束、可观测性分析都有直观帮助。

第三类是想在状态估计上做扩展应用的工程师。在WLS迭代得到的残差基础上，可以继续做坏数据检测与辨识（最大归一化残差检验、χ²检验等），也可以改成抗差估计器（加权最小绝对值、Huber估计）。因为整套代码模块化程度还可以，替换目标函数和迭代公式不会太痛苦。

环境方面只需要Matlab和MATPOWER工具箱（用于计算NR潮流真值，如果不允许额外工具箱，也可以自己写一个简单的牛顿法潮流，后面会给出替代方案）。

2. 三大核心概念拆解：PMU、WLS与Newton-Raphson的关系

2.1 PMU为什么是状态估计的一把新利器

PMU的全称是Phasor Measurement Unit，相量测量单元。它和传统SCADA量测最大的区别在于同步性和相角测量能力。

传统SCADA每2到4秒采一次数据，各测点之间靠通信系统触发，不同节点电压幅值的“快照”时间戳并不严格一致，而且只能测幅值，测不了相角。调度员看到的电压幅值可能是不同时刻拼出来的，这对缓慢变化的稳态场景问题不大，但对系统动态过程来说就是致命缺陷。

PMU依靠GPS或北斗的秒脉冲信号，在不同厂站间实现微秒级同步采样，直接输出带时标的电压、电流相量，也就是幅值和相角同时测出来。这意味着PMU量测方程里，节点电压相角是直接可测的，这对状态估计来说意义重大——传统状态估计里相角是靠潮流方程间接推断出来的，而PMU是直接测出来的。

但别把PMU当成绝对精准的仪器。它内部有电压互感器和电流互感器的变比误差、A/D转换的量化误差、GPS授时偏差导致的相角误差。工程上通常把PMU量测噪声建模为零均值高斯白噪声，电压幅值标准差大约在0.001 pu（标幺值）左右，相角标准差大约在0.001弧度左右。我在项目里就是按这个量级生成模拟数据，效果比较接近工程实际。

2.2 WLS状态估计器的数学框架和实现要点

加权最小二乘的核心思路是：在所有候选状态中，找一组电压幅值和相角，使得量测模型计算值与实际量测值之间的加权平方误差最小。

目标函数写出来是：

J(x) = [z - h(x)]ᵀ · R⁻¹ · [z - h(x)]

其中z是量测向量，h(x)是量测函数（把状态映射到量测预测值），R是量测误差协方差矩阵，对角线上是每个量测的方差。权重矩阵取R⁻¹，意思是误差方差越小的量测，在优化里说话越有分量，这很直观，精度高的设备自然要多信它一点。

状态变量x通常取所有节点的电压幅值V和相角θ，参考节点相角设为0。量测函数h(x)根据量测类型写：如果是PMU电压量测，h(x)就是对应的V和θ本身；如果是潮流计算中间结果，还可能是支路有功、无功这类非线性表达式。

由于h(x)是非线性的，最小化J(x)得迭代求解，标准做法就是高斯-牛顿法。每轮迭代解一个线性最小二乘问题：

Δx = (Hᵀ R⁻¹ H)⁻¹ · Hᵀ R⁻¹ · [z - h(x)]

其中H是量测函数在当前状态处的雅可比矩阵，行数等于量测数量，列数等于状态数量。G = Hᵀ R⁻¹ H 被称为增益矩阵，本质上就是信息矩阵，它的条件数直接决定迭代是否容易收敛。

2.3 WLS状态估计和NR潮流计算：同名却不同路

这两个算法都叫“牛顿类方法”，都在迭代中反复求解修正量，但差别非常大，做项目的时候如果不分清容易绕进去。

从输入看：NR潮流需要的是网络参数加上各节点的注入功率（发电出力、负荷），属于“功率已知求电压”的问题；WLS状态估计需要的是网络参数加量测值，量测可以是电压幅值、相角、注入功率、支路功率，属于“量测已知求状态”的问题。

从方程约束看：NR潮流的方程数严格等于2n-1（n个节点，参考节点相角已定），是定解问题；状态估计的量测数远大于2n-1，是冗余超定问题，这多出来的冗余度就是抗噪声的资本。

从目标看：NR潮流追求等式约束完全满足，求的是精确解；状态估计追求量测残差平方和最小，求的是统计意义上的最优估计。

从应用看：NR潮流多用于规划分析、运行方式计算、故障分析，是对“假想场景”的仿真推演；状态估计多用于调度中心在线监测，是对“当前实际状态”的实时推断。

两者放到同一个框架里比较，本质上就是拿“基于精确模型和精确注入的确定性解”作为基准，去校验“基于冗余量测和噪声模型的统计估计”能否还原出同样的系统状态。

3. Matlab实现全过程：从数据准备到结果可视化

3.1 仿真数据准备：如何搭一个“标准考场”

我选用IEEE 14节点系统作为测试对象。14个节点、20条支路、5台发电机，经典得不能再经典。数据格式直接用MATPOWER的bus矩阵和branch矩阵结构，横跨范围小，手填也不会出错。

数据准备分三块：

• bus矩阵：每行一个节点，包含节点编号、类型（1为PQ节点、2为PV节点、3为平衡节点）、有功负荷、无功负荷、电压幅值初值、电压相角初值、无功上限下限等。
• branch矩阵：每行一条支路，包含首末端节点编号、电阻r、电抗x、对地电纳b、变压器变比等。
• gen矩阵：发电机所在节点、有功出力、无功出力、机端电压等。

如果装了MATPOWER，直接调runpf('case14')就能算出NR潮流解。没装MATPOWER的话，自己写一个简单牛顿法潮流也不困难，十几行循环的事，但要小心处理好PV节点无功越限和平衡节点有功平衡，这部分调试起来比想象中耗时。

我在项目里是这么设计“真值生成”逻辑的：

• 用MATPOWER跑一次潮流，得到bus矩阵里每行的最终电压幅值VM和相角VA，这就是状态真值x_true；
• 后续的PMU量测模拟和WLS状态估计，全部围绕x_true展开。

3.2 PMU量测模拟：给真值加“合理噪声”

PMU量测模拟不是简单地把真值加个随机数就完事，需要明确量测配置和噪声方差。

我设置了这样一个量测方案：每个节点都有PMU电压量测（幅值加相角），因此量测数量是2n = 28条，状态变量是n个相角加n-1个幅值（参考节点幅值也参与估计，实际中参考节点电压幅值是可测的）共27个状态，冗余度是28比27，只冗余1条。

这听起来冗余度不够高对吧？确实，实际工程里状态估计的量测冗余度通常做到2到3倍。所以我进一步在部分支路上增加了PMU电流量测或者注入功率量测。在项目里我在几条关键支路上加了电流幅值和电流相角量测，把量测数量提升到35条左右，冗余度到1.3倍，WLS估计的效果立刻好很多。

噪声叠加公式：

z_i = h_i(x_true) + ε_i，ε_i ~ N(0, R_ii)

电压幅值噪声标准差σ_V取0.001 pu，相角噪声标准差σ_θ取0.001 rad。在此基础上构造量测误差协方差矩阵R：

R = diag([σ_V² 重复n次, σ_θ² 重复n次, σ_I² 重复m次])

电流幅值σ_I取0.002 pu，电流相角σ_angI取0.002 rad。为什么取这些值？因为PMU厂家手册里给出的典型精度就是幅值0.1%左右、相角0.05度左右。0.001 rad约等于0.057度，符合工程量级。

3.3 WLS核心迭代代码实现

WLS迭代的核心步骤可以浓缩为下面这段代码框架（去掉MATPOWER依赖部分，只保留状态估计算法本身）：

matlab复制% 初始化状态变量 x = [theta(2:n); V(1:n)]
x = [zeros(n-1,1); ones(n,1)]; % 平启动：相角0，幅值1pu

% 构建量测向量 z 和权重矩阵 W = inv(R)
z = [z_V; z_theta; z_I];
W = inv(R);

maxIter = 20;
tol = 1e-6;

for iter = 1:maxIter
    % 根据当前x计算量测估计值 h(x)
    h = compute_h(x, bus, branch);
    
    % 计算雅可比矩阵 H = dh/dx
    H = compute_H(x, bus, branch);
    
    % 增益矩阵
    G = H' * W * H;
    
    % 右端项
    g = H' * W * (z - h);
    
    % 解线性方程
    dx = G \ g;
    
    % 更新状态
    x = x + dx;
    
    % 收敛判断
    if max(abs(dx)) < tol
        break;
    end
end

compute_h和compute_H是两个最关键的函数。compute_h里要按PMU量测公式计算电压幅值、相角和电流幅值的预测值。注意，相角量测的量测函数是h_θ = θ_i，雅可比里对应1；电压幅值量测的量测函数是h_V = V_i，雅可比里对应1；电流幅值量测涉及两端节点电压的复数运算，推导稍复杂：

电流从节点i流向节点j：

I_ij = (V_i - V_j) / z_ij + V_i * j * b_sh/2

用极坐标展开、取模，再对V_i、V_j、θ_i、θ_j求偏导。这部分我用符号推导核对过好几遍，很容易漏掉对地导纳的分流项。写代码时最好先用数值差分验证一次解析雅可比，否则迭代方向错了，后面全白搭。

3.4 状态比较与可视化

迭代收敛后，把估计结果、PMU量测直接值和NR潮流真值放到一起对比：

matlab复制theta_est = [0; x(1:n-1)];  % 参考节点相角为0
V_est     = x(n:end);

% 画电压幅值对比
figure;
subplot(2,1,1);
plot(1:n, V_true, 'k-o', 1:n, V_meas, 'b--*', 1:n, V_est, 'r-s');
legend('NR真值', 'PMU量测', 'WLS估计');
xlabel('节点编号'); ylabel('电压幅值 (pu)');

% 画相角对比
subplot(2,1,2);
plot(1:n, theta_true*180/pi, 'k-o', 1:n, theta_meas*180/pi, 'b--*', 1:n, theta_est*180/pi, 'r-s');
legend('NR真值', 'PMU量测', 'WLS估计');
xlabel('节点编号'); ylabel('相角 (度)');

注意相角要乘以180/pi转成角度制再画，否则数值都在0.1量级，看不出差别。这是Matlab实现时特别容易犯的“单位坑”。

4. 仿真结果怎么看：误差分布、收敛行为和参数选择

4.1 三种状态的对比口径

项目里会出现三条曲线：NR真值、PMU量测值、WLS估计值。比较的时候要看两个层面的东西。

第一层，PMU量测值相对NR真值的偏差。这个偏差就是噪声本身，它服从高斯分布，均值接近0，标准差等于设定的σ。这层比较是“体检”，确认噪声模型加得对不对。

第二层，WLS估计值相对NR真值的偏差。按理说，因为WLS利用了所有量测信息做加权平均，估计偏差的标准差应该明显小于单个量测的噪声标准差。这正是状态估计的“去噪”价值所在。14节点系统跑下来，估计误差通常在1e-4量级，比原始量测噪声小一个数量级。

我项目里测到的一组典型误差数据如下：

可以看到，经过WLS之后，最大偏差直接从0.0028压到0.0006，差不多降了4到5倍，均方根误差也显著改善。这就是“合理利用冗余量测平滑噪声”的直接体现。

如果估计误差没有明显下降，大概率是代码出了问题，优先检查量测函数雅可比和状态变量排序是否一致。

4.2 迭代收敛曲线与Jacobian构建检查

WLS的迭代收敛行为很大程度上取决于雅可比矩阵是否正确。判断雅可比矩阵对不对，不需要直接对照手推公式，更实用的方法是用数值差分验证。

对每个状态变量x_k做一个微小扰动δ（比如1e-6），然后用差分公式约等于解析偏导数：

H_numerical(:, k) = (h(x + δ·e_k) - h(x - δ·e_k)) / (2δ)

把解析雅可比和数值雅可比放到一个矩阵里比较，如果最大相对误差小于1e-6，基本可以认为解析推导正确。这个检查在换网络、换量测配置时要重新跑一遍。

如果雅可比正确但迭代仍然不收敛，就要检查增益矩阵G的条件数。cond(G)如果达到1e12以上，说明系统接近不可观测，数值计算时G会变成数值奇异，解出来的Δx大到离谱。解决思路：增加量测、去掉数值量级过小的权重项，或者检查是否存在两节点间无支路连接的“孤岛”场景。

收敛判据用max(abs(dx)) < tol是有讲究的。dθ和dV的量级不同，dV通常是pu单位的0.01到0.001，dθ是rad单位的0.001到0.0001。如果统一用同一个阈值，可能dV还没收敛就停下。更稳妥的做法是把dx拆开判断，或者用残差变化量来判断，我实际用下来简化版本设tol=1e-7，对14节点不会出问题，但大系统建议分状态量设置相对阈值。

4.3 参数灵敏度：噪声方差和量测冗余度对结果的影响

把这套框架跑通之后，我顺手做了一组参数灵敏度测试，几个结论值得分享。

噪声方差的影响是最直观的。把PMU电压幅值噪声标准差从0.001 pu调大到0.01 pu，WLS估计的电压幅值误差也随之增大约2到3倍，但不会等比例增加到量测噪声的程度，说明WLS仍然有平滑作用。相角噪声比幅值噪声更敏感，因为某条支路两端的相角差直接决定功率流向推算，相角误差一大，注入功率量测的预测值就歪了。

量测冗余度的影响更值得关注。我尝试去掉一半支路的电流量测，量测数从35降到24，结果增益矩阵条件数从1e4升到1e8，WLS迭代次数从4次增加到8次，估计误差扩大了一倍多。这说明没有冗余度的WLS退化成普通求解器，完全丢掉了统计平滑的能力。反过来，把每个节点都配上PMU电压相角量测，量测数到42条时，条件数降到1e3，迭代收敛只需要3次，估计误差也进一步下降。

这给做PMU配置的同学一个提醒：电压幅值和相角的PMU直接量测固然好用，但真正让状态估计“硬起来”的是支路电流量测和注入功率量测带来的交叉约束。全节点装PMU只是测了点，想在网络中段形成约束网络，还得靠电流量测铺开。

5. 调试过程中踩过的坑和排查手册

5.1 状态向量与量测函数维度不匹配

这个坑几乎每个第一次写WLS的人都会踩。状态估计的状态变量选择和潮流不一样，参考节点相角置0后，状态变量只包含n-1个相角，但n个节点的电压幅值都参与估计。如果status变量排序写反或者MSL变量没对齐，迭代计算h(x)的时候维度就错了，Matlab直接报错。

我自己写的时候采用的变量排序是：前n-1个状态为除参考节点外各节点相角，后n个状态为各节点电压幅值。这样雅可比矩阵在前n-1列的偏导是对相角求导，后n列的偏导是对幅值求导。compute_h和compute_H两处必须保持同样的排序约定，否则整个迭代过程就是错的。

排查方法也简单：在迭代循环里打印size(H)、size(z)、size(h)，人工核对一下。H的行数等于量测数，列数等于n-1+n。任何维度不匹配都是这个排序问题引起的。

5.2 增益矩阵奇异或条件数过大

G矩阵奇异的最常见原因不是算法问题，而是量测配置让系统不可观测。典型场景：某两个节点之间没有支路，但在量测配置里错误地加入了一条支路电流量测；或者是某个节点只有一个电压幅值量测、没有任何相角或功率量测，它的相角状态完全无法估计。

排查G矩阵问题，用rank(G)和cond(G)两个命令就够了。如果rank小于状态数，那就是系统确实不可观测，必须增补量测。如果rank都满但cond(G)大于1e10，说明存在数值上的近奇异，常见原因是某些量测权重大得离谱，比如把某个电压量测的方差设成1e-12，相当于强制该状态锁定在某个值上，会把整个增益矩阵拉变形。

实际工程里防G奇异还会用“伪量测”技巧：对零注入节点，添加一个等式约束形式的极强权重伪量测，告诉估计器这里功率注入恒为0。这在数值上能显著改善可观测性，特别是PMU数量不足时，是性价比极高的补救方案。

5.3 坏数据对WLS结果的污染

WLS本身不具备抗差性，这是算法特性决定的。因为目标函数是二次型，一个量测残差为0.5的坏数据，会对目标函数贡献0.25的惩罚，而残差为0.05的正常数据只贡献0.0025，权重平方之后，坏数据的“拖拽力”是正常数据的100倍。所以在真实系统中，坏数据的辨识必须放在WLS之后做。

在仿真框架里，我手动在某个电压量测上注入一个10倍于正常噪声的错误值，跑完WLS后发现，这个错误量测所在节点的电压估计值偏移了约0.01 pu，虽然不至于发散，但明显偏离真值。把这个节点的估计残差打印出来，它的标准化残差远大于其他节点，这就是最大归一化残差检验的基本逻辑。

如果你在这个框架基础上扩展坏数据检测，思路是这样的：先跑完WLS，计算残差r = z - h(x_est)，再算标准化残差r_N = r_i / sqrt(R_ii)，然后和卡方分布的阈值比较，超出阈值的量测视为坏数据，剔除后重新估计。

5.4 相角单位与参考节点的处理

最后再强调一个特别容易阴沟翻船的细节：Matlab的三角函数全部默认弧度，但很多初学的同学习惯用角度制思考。

在设置PMU相角量测噪声时，如果指定0.05度，记得换算成0.00087弧度再填入R矩阵，而不是直接填0.05。否则R矩阵中的相角方差比实际大上千倍，等于告诉估计器“相角量测质量很差”，它会自动把相角量测的权重压得很低，最终相角估计值退化得很严重。

参考节点的处理方式也需要统一。NR潮流解出的参考节点相角是0，所以在把NR真值作为基准时，参考节点的相角真值就是0。WLS估计时参考节点相角被固定为0不参与估计，因此估计结果里参考节点相角不会出现偏差。但PMU量测模拟时，参考节点的相角量测也会加噪声，这条带噪声的量测在对比时要单独处理，别误把它当成估计误差。

写在最后的一点经验

框架跑通之后的体会是：状态估计核心不在WLS的公式推导，那部分教科书上讲得够详细，难的是把量测函数、雅可比矩阵、状态排序和R矩阵四个要素在代码层面严丝合缝地对齐，任何一个节点索引错了或者单位混了，迭代要么发散要么给出一套看似合理实则错误的结果。

给后来者一个建议：先搭一个3节点小系统，手算一遍雅可比矩阵，然后用数值差分验证自己的compute_H。这一步在当前小系统上极其容易发现问题，不要一上来就跑14节点，否则错都不知道错在哪。复杂系统里出现偏差，第一反应是打印rank(G)和cond(G)，第二反应是检查R矩阵对角线数量级是否合理，第三反应才是看迭代是否收敛。按这个顺序排查，绝大多数问题能在半小时内定位。

往扩展方向看，这套框架加一层残差检测就能做成带坏数据辨识的完整状态估计器，加一个卡尔曼滤波的递推环节就能变成动态状态估计，配合PMU配置优化的启发式搜索算法还能自动化决定装哪些节点。目前这套Matlab代码我持续在维护，下一步打算接一个真实量测数据接口，把SCADA和PMU混合量测的场景也加进来，那才是工程现场真正面对的情况。