1. 项目定位：给低压台区装上“看得见状态”的眼睛
最近在做配电网监测方案评估的时候，我盯着低压台区的量测数据想了一个问题：智能电表和采集终端把电压、电流、功率数据一条条传回来，数据量确实上来了，可真正要回答“整个馈线现在到底处于什么运行状态”这个问题，光看原始数值是不够的。低压配电网拓扑是径向的，分支多、负荷波动快，离电源近的节点和远端的节点电压差异明显，再加上分布式光伏、充电桩这些单相接入设备，运行状态比传统输电网复杂得多。单靠人工盯曲线、设阈值，很难在故障初瞬发现异常。
这时候就需要状态估计。它把一组带噪声的量测数据，通过系统模型“拧成一股绳”，得到对全网运行状态的一致估计。这篇博文完整梳理了我在一个径向低压测试馈线模型上做的一项仿真评估工作：用加权最小二乘（WLS）状态估计器实现单相接地低压配电网的监测方案，并用蒙特卡洛方法分析测量误差随机性对估计性能的影响，全部代码用Matlab实现。项目看起来是“跑一个仿真”，背后真正要解决的是三类问题：低压配电网的量测配置该怎么布、WLS估计在这种径向结构里能不能稳定收敛、以及单相接地这种不对称故障场景下估计误差会坏到什么程度。
适合谁来参考？如果你正在做配电网监控、台区智能融合终端的数据分析、或者想系统了解WLS状态估计落地的技术细节，这篇博文可以帮你省掉不少弯路。
2. 状态估计的数学模型：WLS为什么能在配电网里站稳脚跟
2.1 状态量、量测量与量测方程怎么选
在低压配电网的三相模型里，每个节点有A、B、C三相，状态量通常取各相节点的电压幅值和相角。一个N节点的三相系统，状态向量里包含3N个电压幅值分量和3N-1个相角分量（根节点某相作为参考，相角固定为0），加起来一共6N-1个状态量。电压幅值用标幺值表示，归一化之后数值在0.9到1.1之间，方便设置收敛阈值。
量测方程描述的是“量测值”和“状态量”之间的映射关系。低压配电网里常见的量测类型有三个：节点注入功率、支路潮流、节点电压幅值。以节点注入功率为例，有功和无功分别是：
P_i = U_i ∑ U_j (G_ij cosθ_ij + B_ij sinθ_ij) Q_i = U_i ∑ U_j (G_ij sinθ_ij - B_ij cosθ_ij)
其中U是节点电压幅值，G_ij和B_ij是节点导纳矩阵的实部和虚部，θ_ij是节点i和j之间的相角差。量测方程的统一形式写成z = h(x)，z是量测向量，h(x)是状态向量x映射到量测向量的非线性函数。WLS要做的事情，就是在已知z的情况下，反解出最合理的x。
2.2 目标函数、增益矩阵与迭代求解
WLS的目标函数是对量测残差的加权平方和：
J(x) = (z - h(x))ᵀ W (z - h(x))
W是对角权重矩阵。对目标函数求梯度并令其为0，得到一个非线性方程组，一般用高斯-牛顿法迭代求解。第k次迭代时，在x^(k)处对h(x)做一阶泰勒展开，得到线性化的修正方程：
G(x^(k)) · Δx = Hᵀ W (z - h(x^(k)))
G = Hᵀ W H是增益矩阵，H是量测雅可比矩阵，Δx是状态修正量。每次迭代解出Δx后更新状态：
x^(k+1) = x^(k) + Δx
迭代一直进行到Δx的无穷范数小于设定阈值，比如1e-5，才算收敛。
从数值计算角度看，求解修正方程就是解一个线性方程组，G是实对称矩阵，在可观测且量测冗余度足够的情况下正定。低压配电网场景下，G矩阵往往不是特别病态，但量测冗余度低时依然需要注意数值稳定性。
2.3 权重矩阵是整套方案的灵魂
权重矩阵W直接反映你对每个量测的信任程度。实际工程里，W取量测误差协方差矩阵的逆：W = R⁻¹，R是对角阵，R_ii = σ_i²，σ_i是第i个量测的标准差。电表精度高的通道权重就大，在估计里“说话更有分量”；精度差或者疑似坏数据的通道权重小，估计器会自动压低它的影响。
我在做这个项目时，把电压幅值量测的σ设为1%左右，有功功率量测σ设为2%，无功功率量测σ设为3%。这些数值不是拍脑袋定的，而是参考了常见互感器和电能表的精度等级。你要是把σ设得过小，比如0.1%，权重矩阵里会出现数值很大的元素，会导致增益矩阵条件数变大，迭代收敛变慢甚至震荡；设得过大，又把真实量测信息稀释掉了。权重矩阵的设计，不是调参游戏，而是对量测系统物理精度的如实建模。
3. 系统建模与场景设计：径向低压馈线上的单相接地从哪来
3.1 径向测试馈线的结构与参数特征
低压配电网的“径向”指的是从配电变压器低压侧出发，电能沿馈线单向流动，一路分叉到各用户节点，没有成环。衡量这条馈线的阻抗特性，最关键的参数是R/X比。低压线路的电阻占比很高，R/X比常常在1到3之间，而输电网通常不到0.5。这个差异直接影响状态估计的收敛特性：相角对有功潮流的灵敏度比输电网低，电压幅值对有功和无功的耦合更明显。
仿真模型不用建得特别大，一个中等规模的径向测试馈线就够用。典型结构是：根节点接入上级配电变压器，往下是几段主干线，主干线带若干分支，分支末端挂负荷节点。我在模型里设了十余个节点，负荷按恒功率模型给定，分布在各个末端。这种结构虽然简单，但足以覆盖径向配网的分支特征，做WLS性能评估的结论也有代表性。
3.2 单相接地场景在模型里的表达方式
标题里提到的“单相接地低压电网”，在实际建模时不能简单套用单相模型。单相接地是一种不对称故障，故障相电压跌落，非故障相电压会抬升，三相状态严重不对称。如果只拿单相模型甚至正序等效电路来做，根本观察不到故障特征。
我处理的方式是在三相模型基础上做故障注入：在某个分支末端节点选择A相作为故障相，在A相对地之间接入一个很小的故障电阻（模拟金属性接地或经过渡电阻接地），相当于给该节点增加一条接地支路。仿真中的系统状态会自动反映出A相电压明显降低、B/C相电压升高的非对称特征。WLS状态估计器要处理的，就是这个带不对称扰动的三相状态。
3.3 量测布局与可观测性检查
状态估计能算起来，前提是可观测。低压配电网的尴尬在于量测冗余度很低，不像输电网那样有PMU、RTU、SCADA多层次覆盖。台区里最常见的是智能电表，能提供节点注入功率和部分电压幅值，个别分支才有支路潮流。
我的量测方案是：根节点注入功率和部分主干线潮流量测覆盖上游，各负荷节点智能电表提供注入功率，中游和末端布置少量电压幅值量测。按三相模型统计，量测数量勉强超过状态量数量，冗余度在1.0到1.2之间，属于临界可观测偏上一点。
这种冗余度下WLS仍然能收敛，但估计误差对量测误差的敏感度会放大。做这个项目时，我特意做了可观测性预检：计算雅可比矩阵H，检查HᵀW H的秩是否等于状态量个数。这一步虽然简单，但在量测方案设计阶段能帮你提前发现“这组配置根本算不了”的问题，省得蒙特卡洛跑到一半才发现结果全是NaN。
4. 蒙特卡洛性能评估：为什么单次仿真结果不可信
4.1 测量误差是随机量，单次仿真只是运气抽样
很多人刚开始做状态估计评估，习惯做法是：设一个固定的误差水平，跑一次WLS，看估计误差多大，直接下结论。这个做法在输电网里也许够用，但在低压配电网里非常容易误导人。
因为量测误差本身是随机的。同一台电表，今天量的数据和明天量的数据差几个百分点，这是常态。WLS的输入带了随机误差，输出状态估计值自然也是随机变量。单次仿真相当于从误差分布里抽了一个样本，它反映的是“这一次碰巧抽到的情况”，不是统计意义上的性能。可能这次抽到的误差刚好让电压估计偏差0.1%，下次运气差一点，偏差可能跳到1.5%。拿一次的结果去评价算法，等于拿掷骰子的一次结果去判断骰子是否均匀。
4.2 误差模型怎么建得更贴近现实
蒙特卡洛方法的核心，是把随机误差的概率特征显式建模，通过大量重复抽样逼近统计规律。每个量测通道的误差按高斯分布假设：e ~ N(0, σ²)，标准差σ按通道精度设定。
这里有一个细节容易被忽略：系统误差和随机误差要分开。系统误差是所有量测共有的一种固定偏差，比如互感器比例误差没校准好，同一批次电表都偏大1%。这种误差蒙特卡洛模拟不出来，也不属于“随机性质”的讨论范畴。我在项目里只模拟随机误差，假设系统误差已经被校准或忽略。对低压配电网来说这个假设基本合理，因为现代智能电表的测量芯片精度一致性还是不错的。
4.3 性能评估指标与样本量怎么定
评估WLS性能，只用RMSE远远不够。我在项目里同时统计了四个指标：
- 估计偏差Bias：估计值与真值之差的均值，衡量估计器是否无偏
- 均方根误差RMSE：衡量整体估计精度
- 最大绝对误差MAE：衡量最坏情况下的估计偏差
- 误差分布的置信区间：比如95%的估计误差落在什么范围
样本量M的选取有个体验：先跑一个小样本比如200次，看RMSE的波动幅度；再增加到2000次，如果RMSE变化已经小于5%，说明样本量够了。我实际用的是1000次，计算量适中，且RMSE的蒙特卡洛标准误大约只有RMSE本身的2%左右。如果你把M设到100甚至更小，误差分布轮廓都看不出来，也别指望统计结论有什么说服力。
5. Matlab代码实现：从主程序框架到核心函数的落地
5.1 整体代码架构：分模块才能调得动
这个仿真项目不适合写成一个几百行的脚本文件，我按功能拆成几个模块，跑起来思路清晰，调参也方便。整个架构可以总结为四步：准备数据、生成量测、执行状态估计、统计结果。
% 主流程 % 1. 读取馈线参数，构建节点导纳矩阵 % 2. 计算基准潮流，得到“真值”状态 x_true % 3. 设置量测配置与误差标准差 sigma % 4. 蒙特卡洛循环： % for mc = 1:M % 生成带随机误差的量测 z % 调用WLS估计器，得到 x_hat % 记录估计误差 % end % 5. 统计并绘图基准真值的获取，我是直接做一次确定性潮流计算得到的。注意潮流计算和状态估计的模型需要完全一致，否则后面算误差时，真值本身就对不上号。这个一致性是仿真里最容易犯的隐性错误：模型改了一处参数，潮流侧忘了同步，最后误差统计全都偏掉。
5.2 WLS估计器核心函数的实现
WLS估计器的核心就是第2节那个迭代过程。我把它封装成一个函数，输入是量测向量、量测标准差的逆、初始状态、节点导纳矩阵，输出是估计后的状态向量和迭代信息。伪代码如下：
function [x_hat, iter_info] = wls_estimator(z, W, x0, Ybus, meas_spec) x = x0; % 平启动：电压幅值1.0，相角0 tolerance = 1e-6; max_iter = 30; for iter = 1:max_iter [h, H] = compute_meas_func(x, Ybus, meas_spec); G = H' * W * H; rhs = H' * W * (z - h); dx = G \ rhs; x = x + dx; if max(abs(dx)) < tolerance % 收敛成功 break; end end x_hat = x; end这里有两个实战点值得讲。第一，初值用平启动（平启动指所有节点电压幅值设1.0、相角设0），低压配电网负荷水平低，平启动离真解不远，收敛很快。第二，解线性方程组用反斜杠运算符（矩阵左除），数值稳定性比显式求逆好得多，速度也快。
量测雅可比矩阵H的构造是整个函数最繁琐的部分。电压幅值量测的雅可比行是稀疏的单位向量，注入功率量测的行需要按三相展开，对相角和电压幅值求偏导。我在实现时先用稀疏矩阵占位，再逐行填充，避免用密集矩阵导致内存和计算量失控。低压馈线节点数少，紧张程度没那么夸张，但要养成好习惯。
5.3 蒙特卡洛循环与结果统计
蒙特卡洛循环实现起来不难，但要注意随机数流和效率。我用两个技巧：第一，外层循环前用 rng(固定种子) 设置随机数生成器种子，保证结果可复现——主任评审的时候有固定种子，你才能解释清楚“为什么我这个数字是这么多”，否则每次跑结果都不一样，别人想复核也无从下手。第二，量测生成时一次性生成一整个服从N(0, σ²)的误差向量，然后加到量测真值上，不要在每个采样里逐元素用randn，那样既慢又容易写错。
统计阶段，我习惯把每次采样的估计误差向量保存下来，循环结束后统一算Bias、RMSE、MAE和分位数。直接画误差分布直方图也很有说服力：电压幅值估计误差应该集中在一个小范围内，如果画出明显的偏态尾巴，说明量测配置里某个通道的权重设置有问题。
6. 结果解读经验：仿真跑完以后怎么判断“性能到底行不行”
6.1 典型误差分布与统计结论的读法
当蒙特卡洛循环跑完，我得到的第一批结果往往会让人心存疑虑：电压幅值估计的RMSE大约在0.2%到0.8%之间，具体取决于量测配置和误差水平。这个数字要结合场景理解。低压配电网正常运行电压允许偏差一般在±7%，0.5%的估计误差意味着状态估计器的精度足以捕捉0.7%以上的电压异常变化——略低于国标但对故障检测来说勉强够用。
更别提单相接地场景了。故障相的电压严重跌落，估计误差如果仍然维持在正常水平，说明WLS能够有效跟踪不对称故障状态。非故障相电压抬升，估计偏差通常会略微放大，这是正常的——因为故障相和非故障相比起来，电压幅值对量测误差更敏感。如果你看到非故障相估计误差是正常时的几倍，就要怀疑量测配置是否把关键节点覆盖住了。
6.2 诊断“信息量不足”的信号
低压配电网量测冗余度低，WLS很容易出现“临界工况”。我总结出几个提示信号：
- 增益矩阵条件数很大，迭代虽然收敛但状态修正量迟迟降不下来
- 某些节点的电压幅值估计方差明显高于其他节点
- 误差分布出现长尾，甚至偶尔出现“飞点”——极端偏差超过3σ
出现这些信号，多半不是算法坏了，而是该区域量测覆盖不足。把更多智能电表的电压幅值量测加上去，或者调整权重矩阵，往往就能明显改善。这也正是这个仿真项目真正的价值：它能在真实部署之前，先用蒙特卡洛把你量测方案的薄弱环节暴露出来。
7. 常见问题与排查技巧：我在实际复现中最常踩的坑
7.1 迭代不收敛：八成是模型问题不是算法问题
WLS迭代发散或者不收敛，新手第一反应是调最大迭代次数，其实没用。我在调试过程中发现，低压配电网场景下不收敛最常见的两个原因是：量测方程和潮流模型不一致（某条支路的参数两边写错了数据），以及参考节点处理错误。三相模型里参考节点只固定一个相角，其他两相的相角相对它浮动，这个边界条件没写对，雅可比矩阵就是奇异或者病态的。排查技巧很朴素：先用确定性潮流结果做一次“无误差量测”的状态估计，如果连无误差输入都收敛不了，说明模型本身有bug，先别谈蒙特卡洛。
7.2 雅可比矩阵奇异：可观测性不够时的保护机制
量测冗余度低到一定程度，HᵀWH就是数值奇异的。解决思路有两个：一是增加虚拟量测（伪量测），比如把历史负荷曲线生成的预测功率当作带较大方差的量测写入；二是调整量测布局，确保每个弱可观测区域都有一两个电压幅值和功率量测。如果只追求“跑通”而忽略可观测性，蒙特卡洛结果里会出现一大片NaN，整个统计直接作废。
7.3 蒙特卡洛计算太慢：向量化是唯一出路
低压馈线仿真每个采样点的计算量不大，但M取到1000时，矩阵重复构建的耗时就不容忽视了。我最开始写的版本在循环内部重复构造节点导纳矩阵和雅可比矩阵，一次仿真跑了很久。优化方式是提前把系统模型的常数部分都算好、缓存，循环内部只更新量测误差向量和状态向量。高斯-牛顿迭代中每次迭代都要重新计算H，这是无可避免的，但要确保G矩阵的分解采用Cholesky而不是普通求逆，能省不少时间。
7.4 误差模型参数对结论的影响被低估了
我想特别提醒一点：σ设多大，直接影响“性能好坏”的结论。同一套量测方案，σ设0.5%和设3%，RMSE可能差出好几倍。这不是算法问题，而是你给评估场景定义的“测量精度”不同。做方案对比时，务必保持σ一致，才有可比性。上交验收报告时，把误差模型的推导过程写清楚，比放一堆收敛曲线更有说服力。
我个人的体会是，蒙特卡洛状态估计评估项目，最终交付的不只是几十张误差分布图和一行行统计数字，而是一套量测方案设计的置信度证明：我有多大把握说这套监测方案能在这个馈线上落地。代码只是工具，真正的难点在于把配电网物理特性、随机误差特征和统计分析方法掰开揉碎，再重新组合成可验证的结论。后续如果要做扩展，可以考虑把WLS换成鲁棒估计器应对坏数据，或者引入同步相量量测提高时间分辨率——核心评估框架完全可以复用。
