1. 电力系统状态估计基础
电力系统状态估计是现代能量管理系统(EMS)的核心功能模块，它通过处理来自SCADA系统和PMU的实时量测数据，为系统运行人员提供全网母线电压幅值和相角的最优估计值。传统状态估计主要采用加权最小二乘法(WLS)，而随着同步相量测量技术(PMU)的普及，如何有效融合不同采样速率和精度的量测数据成为研究热点。
我在某省级调度中心参与状态估计系统升级时，曾遇到传统SCADA量测与PMU数据融合的难题。当时系统采用的还是纯WLS算法，新部署的PMU数据只能作为辅助参考，这种"两张皮"的运行方式导致状态估计结果在不同区域呈现明显差异。这段经历让我深刻认识到理解状态估计算法原理的重要性。
1.1 状态估计的数学本质
状态估计本质上是一个最优化问题：在量测方程z=h(x)+v的约束下，寻找使目标函数J(x)=(z-h(x))'W(z-h(x))最小的状态变量x。其中：
- z是量测向量(电压、功率等)
- h(x)是非线性量测函数
- W是对角权重矩阵(通常取量测误差方差的倒数)
- x=[θ,V]'是待求的状态向量(电压相角和幅值)
关键提示：权重矩阵W的取值直接影响估计结果质量。实践中我们常根据量测设备类型设置初始权重，SCADA遥测通常设为1/0.02^2，PMU量测可达1/0.001^2。
1.2 WLS求解的核心步骤
- 初始化：通常采用平启动(V=1.0 p.u., θ=0)或潮流解作为初始值
- 构建雅可比矩阵：H=∂h/∂x，每行对应一个量测，列对应状态变量
- 增益矩阵计算：G=H'WH
- 迭代求解：Δx=G⁻¹H'WΔz，直到‖Δx‖<ε
- 不良数据检测：采用归一化残差检验法r_i^N=|z_i-h_i(x)|/√Ω_ii，其中Ω=WR⁻¹
在华东某电网状态估计系统改造项目中，我们发现当PMU覆盖率超过30%时，迭代次数平均减少40%，收敛时间缩短60%。这验证了PMU数据对改善状态估计性能的显著作用。
2. PMU量测特性与处理
相量测量单元(PMU)通过GPS同步时钟提供带时标的电压、电流相量测量，其数据刷新率可达30-60帧/秒，比传统SCADA的2-4秒快两个数量级。但实际应用中存在几个关键问题需要特别注意：
2.1 量测时间对齐
SCADA与PMU数据存在采样时差，我们的解决方案是：
- 对PMU数据采用滑动窗口平均(通常取1秒)
- 在状态估计时使用时间插值后的数据
- 建立带时标的状态估计模型
matlab复制% PMU数据时间对齐示例
pmu_time = 0:1/30:1; % 30Hz采样
scada_time = 0:2:10; % 每2秒采样
pmu_V = interp1(pmu_time, pmu_V_raw, scada_time, 'linear');
2.2 量测坐标系转换
PMU提供的是同步相量(复数形式)，而传统状态估计使用极坐标形式。转换时需注意：
- 相角基准统一(通常选平衡节点相角为0)
- 考虑变压器移相影响
- 处理PMU相角跳变问题(超过π时加减2π)
经验之谈：某次现场调试中，因未考虑500kV变压器YNd11接线导致的30°相移，导致估计结果出现系统性偏差。后来我们在量测预处理模块增加了变压器相位补偿功能。
3. 混合量测状态估计实现
3.1 改进的雅可比矩阵构建
传统WLS的H矩阵只包含SCADA量测，混合量测时需要扩展为：
code复制H = [H_SCADA; H_PMU]
W = diag([W_SCADA; W_PMU])
其中PMU对应的雅可比子矩阵具有特殊结构：
- 电压幅值量测：∂V/∂V=1, ∂V/∂θ=0
- 电压相角量测：∂θ/∂V=0, ∂θ/∂θ=1
- 电流量测：需根据线路参数计算
3.2 关键Matlab实现代码
matlab复制function [V_est, theta_est] = hybrid_SE(bus, branch, scada, pmu)
% 初始化
V = ones(size(bus,1),1);
theta = zeros(size(bus,1),1);
% 构建量测向量与权重矩阵
z = [scada.P; scada.Q; scada.V; pmu.V; pmu.theta];
W = diag([1./scada.sigma_P.^2; 1./scada.sigma_Q.^2;
1./scada.sigma_V.^2; 1./pmu.sigma_V.^2;
1./pmu.sigma_theta.^2]);
% 迭代求解
for iter = 1:20
[h, H] = measurement_model(V, theta, bus, branch);
G = H'*W*H;
delta_x = G \ (H'*W*(z - h));
theta = theta + delta_x(1:end/2);
V = V .* (1 + delta_x(end/2+1:end));
if norm(delta_x) < 1e-5
break;
end
end
V_est = V;
theta_est = theta;
end
3.3 与Newton-Raphson潮流的对比分析
在华北某电网的对比测试中，我们获得如下典型结果：
| 指标 | WLS+PMU估计 | NR潮流 | 差异率 |
|---|---|---|---|
| 电压幅值(p.u.) | 1.023 | 1.025 | 0.2% |
| 相角(度) | -12.7 | -12.5 | 1.6% |
| 计算时间(ms) | 28 | 15 | - |
差异主要来源于：
- 量测误差的存在
- 不同算法对网络模型的简化程度
- PMU数据的时间延迟
4. 工程实践中的关键问题
4.1 不良数据检测与辨识
混合量测环境下需要采用改进的检测策略：
- 对SCADA量测：使用传统的残差检测法
- 对PMU量测：增加相量一致性检验
- 检查相邻PMU的相角差是否合理
- 验证频率测量值的一致性
- 综合判断：当SCADA与PMU量测矛盾时，优先相信PMU
某次系统故障时，我们通过以下步骤识别出错误的SCADA量测：
- PMU显示母线电压骤降5%，但SCADA显示正常
- 检查PMU之间的相角关系一致
- 现场确认SCADA变送器电源故障
- 将可疑SCADA量测权重降为0
4.2 量测配置优化
根据多个项目经验，推荐以下配置原则：
- PMU应优先安装在：
- 网络拓扑中的关键节点
- 电压稳定性薄弱区域
- 重要发电厂出线
- SCADA量测应保证：
- 每个母线至少有一个电压量测
- 所有注入功率可观测
- 混合配置比例建议：
- PMU覆盖率≥30%时可获得良好效果
- 关键区域PMU冗余配置(双通道)
5. 进阶话题与扩展方向
5.1 动态状态估计实现
传统状态估计是静态的，利用PMU高频数据可实现动态跟踪：
matlab复制% 滑动窗口动态估计
window_size = 10; % 10个PMU采样周期
for k = window_size:length(pmu_time)
z_window = get_pmu_window(k, window_size);
[V_dyn(:,k), theta_dyn(:,k)] = dynamic_SE(z_window);
end
5.2 分布式架构设计
针对大规模电网，我们采用分层分布式方案：
- 子区域内部使用混合量测WLS
- 边界节点采用一致性协调
- 中心节点进行全局整合
某特高压交直流混联电网的实测表明，分布式算法可将计算耗时从45秒降至8秒，同时保持估计精度。