量测稀疏条件下的低压配电网接地监测：基于WLS与蒙特卡洛的性能评估

做过低压配电网仿真的人都有这种体会：低压台区是一个典型的信息黑洞。变压器出口通常还能装上监测终端，可电缆一甩出干路，往各分支一走，基本就再也拿不到实时量测数据了。偏偏低压配电网又是直接面对用户的“最后一公里”，单相接地故障频繁发生，一旦出现异常，运维人员往往只能靠用户报修和逐段排查去定位。我最近在解决这个问题时，围绕一个很具体的场景做了一套完整的评估：在一条径向低压测试馈线上，利用WLS状态估计器给单相接地低压电网监测方案做性能分析，并且在Matlab里用蒙特卡洛方法把测量误差的随机特性系统性地纳入了实验。这篇文章就把整套方案的模型、实现和结果拆开来聊聊，适合正在做低压配电网状态估计、故障监测算法或者台区智能化改造的工程师参考。

这里要提前说清楚一个事实：低压配电网的状态估计，跟输电网里面那些经典状态估计器根本不是一回事。输电网里量测冗余度很高，量测精度也不错，但低压台区往往只有两三个末端量测点，误差还大。所以与其说这是一个标准的状态估计应用，不如说是一场在“量测极度稀疏”条件下信息推断实验。我在做这套仿真之前，也踩过不少坑，下面从问题背景讲起。

1. 低压配电网的“信息黑洞”：为什么状态估计在这里迟迟推不开

1.1 低压网络与输电网的本质差异

低压配电网通常指400V/230V三相四线制或者单相220V系统，拓扑主体是径向结构，从配电变压器低压母线向外辐射，经过主干线、分支线到达用户计量箱。跟输电网相比，有三点差异是决定性的。

第一，量测冗余度极低。输电网的变电站里有完善的监控系统，母线电压、线路功率、开关状态都有采集，甚至还有冗余。低压台区里，配电变压器低压侧有时会装智能配变终端，但支路上几乎没有任何传感器；就算装了智能电表，也是在用户侧，而且抄表周期长、数据同步性差，很难直接拿来当实时量测。

第二，线路的R/X比值很高。低压电缆和架空线的电阻往往比电抗大得多，线路电阻与电抗的比值常常在1到3之间甚至更高，而输电网R/X比往往远小于1。这就意味着低压网络的电压损耗受有功影响很大，不能用输电网惯用的解耦简化模型。很多状态估计器在输电网里好用，搬到低压网络上就开始不收敛或者估计偏差很大。

第三，负荷随机波动和三相不平衡。低压台区大量接的是单相负荷，三相电流不可能平衡；再加上居民用电行为高度随机，每个节点的等效负荷特性时刻在变。测量误差的“随机性质”也因此被进一步放大——不仅是传感器噪声，还有数据不同步带来的等效误差。

1.2 单相接地故障监测为什么要押注状态估计

单相接地是低压配电网中出现频率最高的故障形式。在TN系统中，单相接地通常会发展为短路故障，故障点电流很大，但实际中电弧性接地、高阻接地的情况非常常见，保护装置不一定能可靠动作；同时故障支路定位难，现场逐级拉闸排查费时费力。因此，一个能够基于有限量测“看到”全网电压分布的监测方案很有价值。

状态估计恰好可以承担这个角色：借助有限的电压、功率量测，通过WLS估计器推断所有节点的电压幅值与相角，如果某个馈线段附近出现电压异常跌落或零序相关的特征，就能给出告警。但问题在于，低压网络的量测太少，估计结果会被测量误差严重左右。到底这套方案在工程上可不可行，误差到什么程度会失效，需要定量评估。这就是我这次用蒙特卡洛方法做性能分析的核心动机。

2. WLS状态估计器的数学内核与求解要点

2.1 为什么用加权最小二乘而不是普通最小二乘

WLS状态估计器解决的问题，用一句大白话概括就是：已知一批带有误差的量测值，反推一组最“可信”的系统状态。假设量测方程为 z = h(x) + e，其中 x 是待求的状态变量，h(x) 是量测函数，e 是零均值随机误差，并且不同表计的误差方差已知。状态估计的目标是找到一个 x，使得量测残差的加权平方和最小：

J(x) = [z - h(x)]^T · W · [z - h(x)]

这里的 W 是权重矩阵，它并不是拍脑袋定的，而是量测误差协方差矩阵 R 的逆矩阵。误差方差越小的表计，在目标函数里的权重越大，估计结果也就越信任它。普通最小二乘把所有权重都设为1，在输电网量测冗余高时可以凑合，但在低压配电网这种量测稀缺、表计精度差异明显的场景里，权重设置直接决定了估计质量。我在代码里把不同类型的量测分成几组，每组按仪表精度等级给定标准差，然后统一换算成权重。

2.2 状态变量与量测方程的选取

对于这个径向低压馈线，我把状态变量取为每个节点的电压幅值 U 和相角 θ，参考节点（变压器低压母线）的相角固定为 0。为了贴合“单相接地”主题，仿真中重点关注其中一相（例如 A 相）的电压状态，建模时将该相线路和负荷单独抽出来，形成单相径向馈线模型。这样做一方面简化了三相耦合带来的计算复杂度，另一方面也符合故障监测方案在分相维度上工作的事实。

量测方程包括两类。第一类是节点电压幅值量测：h_U(x) = U_i。第二类是支路功率量测。以节点 i 到 j 的支路为例，若支路导纳为 g + jb，线路两端电压相角差为 θij = θi - θj，则支路有功和无功的表达式为：

P_ij = U_i^2·g - U_i·U_j·(g·cosθij + b·sinθij) Q_ij = -U_i^2·b + U_i·U_j·(b·cosθij - g·sinθij)

这些公式是从交流潮流的基本关系推导来的，在低压径向网络中同样适用，只是由于R/X比值大，不能省略实部导纳的影响。

2.3 高斯-牛顿迭代与雅可比矩阵

由于 h(x) 是非线性的，WLS状态估计需要通过高斯-牛顿迭代求解。每次迭代需要计算雅可比矩阵 H，即 h(x) 对 x 的偏导数，并求解如下线性方程组：

Δx = (H^T·W·H)^(-1) · H^T·W·(z - h(x)) x_new = x_old + Δx

迭代持续到 Δx 的最大绝对值小于设定的阈值，我一般取1e-5，或者目标函数变化足够小。雅可比矩阵的每一项可以手动推导，也可以用符号工具生成。在Matlab里，我建议先把量测函数写成独立的函数文件，再用解析法或中心差分求H，这样后续改动模型会很方便。注意，在量测稀疏时 H^T·W·H 可能接近奇异，因此我通常对对角项加一个极小值来处理，避免数值问题导致迭代崩溃。

3. 径向低压测试馈线的仿真平台搭建

3.1 测试馈线拓扑与电气参数设置

我采用的是一条10节点的径向低压馈线模型：0号节点是配电变压器低压母线，作为参考节点；从母线引出的主干线依次连接1到6号节点，在3号节点上接一条5节点的分支线（3-7-8），在5号节点上再接一条3节点的分支线（5-9）。负荷节点设置在1、2、4、6、7、8、9等位置。线缆参数按典型低压铜芯电缆取值，单位长度阻抗约 r=0.02 Ω/km，x=0.01 Ω/km，线路长度从50米到200米不等。整体算例的基准容量取10 kVA，基准电压取230 V。

下面给出一组我在仿真中使用的关键参数，方便复现时对照：

这样一条馈线虽然规模不大，但结构上已经包括了主干、分支、末端负荷三种典型特征，足够用来评估监测方案的性能趋势。如果要换更大的系统，只需要把节点支路数组替换成目标台区的拓扑参数，代码主体不用改动。

3.2 测量方案设计与仪表误差假设

监测方案需要先定义“能测什么”。按照低压台区改造的实际情况，我假设的测量配置是：变压器低压母线上安装电压互感器和电流互感器，可以测量母线电压幅值；在主干线2、4、6号节点安装少量电压传感器；在主干线首端和末端分别配置功率量测。用户侧智能电表的数据我不直接当实时量测用，只作为负荷伪量测。

每个量测点的误差按仪表等级设置。电压传感器的量测误差按0.5%标准差考虑；功率量测误差按1%~2%标准差考虑；伪量测的误差则明显更大，标准差设为负荷真值的20%。这些误差在蒙特卡洛循环中会被反复抽样叠加。

需要强调的是，测量方案的设计会直接影响后续性能结论。如果量测点分布太集中，比如全部放在母线附近，那么馈线中段和末端的可观测性就很弱，估计误差会大幅度增加。我在实验中特意对比了不同密度量测配置的效果，这部分放到第6章展开。

3.3 单相接地故障场景如何嵌入

为了评估监测方案的性能，我把A相接地故障放在两种位置：一种是靠近馈线末端（第6号节点下游），另一种是分支线末端（第8号节点）。通过调节过渡电阻的值，模拟金属性接地和高阻接地两种情况。故障后，对应的故障相电压会发生跌落，而由于仿真中使用单相模型，故障节点的电压幅值会显著偏离正常运行值。状态估计器需要在这类场景下把这些异常节点识别出来。

不过要特别注意，状态估计本身假设系统处于稳态。当故障是间歇性电弧时，电压波形含有大量非工频分量，状态估计结果会失真。因此我的仿真场景限制在稳态高阻接地或金属性接地，这是监测方案能发挥作用的前提条件，也是工程上需要结合故障指示器一起使用的原因。

4. 蒙特卡洛分析：把随机测量误差真正放进实验里

4.1 为什么必须用蒙特卡洛，而不是一次仿真定结论

许多人评估状态估计性能时，习惯性地在某组固定量测误差下跑一遍，看看估计误差有多大就完事了。这种做法在输电网量测充足时问题不大，但在低压电网里非常危险。因为量测误差是随机的，单次仿真得到的估计误差可能偏大或偏小，几乎不能代表真实性能。用一个形象的比喻：你不能因为某一次投篮进了三分，就判定这个球员的三分命中率是100%，需要统计几十上百次出手。蒙特卡洛方法做的就是这件事——构造大量随机误差样本，重复状态估计，最终从统计分布中得出结论。

在Matlab实现中，流程很简单：先生成一次无误差的“真值潮流”，然后在真值潮流对应的量测上叠加随机噪声，得到一组模拟量测；对模拟量测执行WLS状态估计，记录估计值与真值的偏差；重复这个操作N次，最后对N次结果做统计分析。

4.2 误差模型构造与仿真参数

误差模型按照高斯白噪声处理，即每个量测的误差采样值服从均值为0、标准差为σ_i的正态分布。σ_i的大小与仪表等级相关，我在前面已经设定。伪量测由于本质是负荷预测值，其误差并不严格服从正态分布，但在缺少更好模型的情况下，用20%标准差的高斯分布近似是目前工程上普遍接受的做法。

蒙特卡洛仿真参数方面，我取了500次随机样本。这里的样本数量不是拍脑袋定的：我先后用N=100、300、500、1000做对比，观察到N≥500时，估计误差均值和标准差的统计结果已基本稳定。如果项目时间紧，N=200左右也能得出大致的性能区间，但如果要写报告或者做结论，建议至少取500次，并画出统计均值随N变化的收敛曲线，作为样本量足够的证据。

4.3 统计指标与输出形式

对每次仿真，我会记录：各节点电压幅值估计误差、相角估计误差、目标函数值、故障节点电压估计值。N次结束后，统计每个节点的幅值误差均方根值（RMSE）、最大绝对误差、平均偏差，以及故障节点电压低于检测阈值的次数占全部仿真的比例。

这个“检出率”是监测方案性能的关键指标，它反映的是在测量误差干扰下，方案仍然能正确告警的概率。低于90%的检出率说明当前测量配置不足以支撑故障监测，需要增加量测点或者提高仪表精度。计算检出率时，检测阈值的选取要看正常运行状态下电压估计误差的分布范围，一般取稳态电压统计数据下0.1分位数作为下限，避免正常波动引发误报。

5. Matlab代码实现：分模块拆解核心逻辑

5.1 数据准备与真值潮流生成

在Matlab中，首先用结构体数组定义支路参数：每条支路的起点、终点、电阻R和电抗X。然后用结构体定义节点类型和负荷数据。这里要注意，Matlab的索引从1开始，所以我会把变压器母线定义为1号节点，后续节点由数组位置自然映射。

接下来需要生成“真值潮流”。这一步其实可以用常规的牛顿-拉夫逊潮流程序，或者直接在代码中调用现有的潮流函数；我为了减少对第三方工具箱的依赖，写了一个简单的潮流函数，输入支路参数和负荷功率，输出各节点电压与相角。真值潮流本身不包含测量误差，它是蒙特卡洛实验的基准。

实测量测数据的生成方式是在真值上叠加噪声：在Matlab里可用 normrnd(0, sigma, size(...)) 生成噪声向量。这里有个小细节：噪声每次循环都要重新生成一次，不能放在循环外面。如果共用一组噪声，那么所有蒙特卡洛样本实际上是同一随机实验的重复，统计结果毫无意义。

5.2 WLS迭代求解器的编程要点

WLS迭代的代码结构建议写成函数形式：输入量测向量z、权重矩阵W、拓扑参数和初值x0，输出估计结果x_est和迭代信息。核心循环如下：

x = x0; for iter = 1:max_iter h = measurement_function(x, branch_data); % 计算量测函数 H = jacobian_function(x, branch_data); % 计算雅可比矩阵 G = H' * W * H; % 信息矩阵 g = H' * W * (z - h); % 右端项 dx = G \ g; x = x + dx; if max(abs(dx)) < 1e-5 break; end end

在实际测试中我发现，低压网络由于R/X比值大、量测稀疏，信息矩阵G的条件数经常很差。为了稳定求解，我对G的主对角线元素做了一个小幅增强，例如乘上1.0001，相当于在病态方程中加一个微小的正则项。这样不会显著改变估计结果，但能避免出现NaN。

5.3 蒙特卡洛循环与结果统计

蒙特卡洛主循环也建议写成脚本，外层循环控制随机实验次数，内层调用WLS求解器：

N = 500; rmse_U = zeros(N, num_nodes); for k = 1:N noise = normrnd(0, sigma_vector); z_k = z_true + noise; % 生成模拟量测 x_est = wls_solver(z_k, W, branch_data, x0); rmse_U(k, :) = abs(x_est(1:2:end)) - abs(x_true(1:2:end)); end U_rmse = sqrt(mean(rmse_U.^2, 1));

统计完成之后，我用直方图和箱线图展示各节点电压估计误差的分布。这些图非常直观：如果误差分布集中在零点附近且散布小，说明状态估计器的偏差小；如果分布尾部明显拉长，说明个别的极端误差会影响最终监测结论，这正是随机误差对系统性能影响的直接证据。

6. 性能评估结果与故障监测能力分析

6.1 正常运行场景的估计精度

在不发生故障的情况下，我以部分关键节点的量测值输入WLS，然后评估对全部未量测节点的电压估计能力。仿真结果显示：在足够量测点配置下，各节点电压幅值的RMSE约为0.3%到0.8%，相角误差约在0.1度到0.4度之间。其中靠近母线侧的节点估计误差明显小于馈线末端的节点，原因是末端节点离量测点远，可观测性弱。这符合预期——状态估计本质上是在信息有限的情况下做推断，信息量越少的区域不确定性越大。

从这个结果能得到一个明确的工程结论：光靠变压器出口和主干上两三个传感器，只能把网络整体电压轮廓估到一个可接受的范围；若想在末端实现精确到个位数的电压显示，当前的量测密度不够。不要高估状态估计器的能力，这一点整个行业都需要正视。

6.2 单相接地故障场景的检出能力

当接入单相接地故障后，故障节点附近的电压幅值会出现明显变化。我预先根据正常运行状态下的电压统计范围选取告警阈值，然后在500次蒙特卡洛仿真中统计故障节点电压低于阈值的比例。结果发现，对于金属性接地，故障节点电压跌落幅度远远超出测量误差范围，检出率接近100%。但对于高阻接地（过渡电阻约几百欧姆），故障电压跌落幅度可能与仪表误差水平相当，此时检出率显著下降，甚至会低于70%。

这个结论直接揭示了监测方案的适用边界：高阻接地单相故障在低压电网中并不少见，特别是在干燥路面、水泥地面接触的情况下。如果单纯依靠电压幅值状态估计，很难可靠识别这类故障。一种改进思路是增加零序电压或电流量测，因为它们对高阻接地的反应更敏感；另一种是引入暂态特征检测。这些方向我已经放进了后续工作计划。

6.3 量测配置对性能的影响

我在同一馈线上测试了三套量测配置：最少配置（只有母线电压和首端功率）、中等配置（增加主干上2个电压量测）、较完善配置（再增加末端功率伪量测）。计算结果非常直观：最少配置下，馈线末端的电压幅值估计RMSE超过2%，高阻接地检出率不足50%；中等配置下末端RMSE降到约1%，高阻接地检出率提高到约65%；较完善配置下末端RMSE降到约0.6%，高阻接地检出率提高到约85%以上。

这说明一个朴素但重要的道理：状态估计算法本身很重要，但量测配置才是决定监测方案性能上限的“天花板”。如果现场条件允许，在馈线末端或者重要分支节点加装一只简单的电压传感器，性能提升往往比把算法的迭代精度提高一个数量级更有效。

7. 实操中的避坑清单与继续深入的方向

7.1 权重矩阵与先验信息：别在细节上翻车

权重矩阵设置是非常容易出问题的地方。我在初版代码里曾经把所有量测的标准差都设成一样的，结果估计器被那些误差很大的伪量测牵着鼻子走，末端电压估算完全失真。后来我按仪表精度重新拨正权重，效果立刻好转。建议的做法是：把所有量测的标准差写在一个表格里，然后让代码从表格自动生成权重矩阵，而不是手工写死。这样可读性好，后续换仪表精度时也方便修改。

7.2 可观测性与伪量测的使用边界

低压配电网的量测不足是常态，伪量测（即负荷预测值）几乎是必需品。但伪量测也有陷阱：它本身就是根据历史数据猜出来的估计值，如果直接把它当作真值量测放进WLS，会引入系统性偏差。我在实验中把伪量测的权重设置得很小，但仍要小心，因为伪量测误差不一定服从高斯分布，当真实负荷偏离预测较多时，会严重破坏估计结果。一个可行的缓解方案是做两层估计：先用伪量测做一次预估计，识别出明显异常的测量点，再剔除这些点后重新估计。这些内容在原方案的基础上做了一些扩展，对实际监测系统的工程化很有帮助。

7.3 迭代收敛与数值稳定性

低压网络R/X比值大，加上量测稀疏，信息矩阵病态问题比较突出。建议在每次迭代后检查电压幅值和相角是否落在物理合理区间，发现越界就适当降低迭代步长或者重新调整初值。另外，如果采用中心差分求雅可比矩阵，步长取1e-6左右相对稳妥；步长太大会引入数值噪声，太小则差分结果被浮点精度吞噬。

7.4 后续扩展思路

这套仿真框架的价值在于可以快速验证各种监测方案的性能上限。它本身不要求非常复杂的模型，却能把“量测误差随机性”这个最关键的因素量化清楚。如果想继续深入，我打算在三个方向上扩展：第一，把单相模型扩展为真正的三相四线模型，考虑中性线阻抗和接地阻抗对故障电压分布的影响；第二，引入时间序列数据，发展动态状态估计，在故障发生瞬间捕捉暂态特征；第三，把状态估计结果与故障指示器信息融合，实现故障段定位。每一个方向都需要在现有蒙特卡洛框架下重新做大量随机实验，但有了这套基础代码，后续工作推进会轻松很多。

最后分享一点个人体会：用蒙特卡洛把随机误差跑完一遍之后，我最深的感受是，在低压配电网里做状态估计，最大的敌人不是算法复杂度，而是“数据质量太差”这件事本身。很多时候费了很大劲优化迭代和矩阵求解，最后端到端性能的瓶颈还是在两端——量测布置不够、仪表精度有限。所以我建议所有做低压监测方案的团队，在动手写复杂算法之前，先老老实实做一遍这个小规模的蒙特卡洛性能评估，用最简单的方式把量测方案的设计空间摸清楚。数据基础没有打牢，再精巧的状态估计器也只是在误差的泥潭里打转。