6.4 状态估计与可观测性

6.4 状态估计与可观测性

本节摘要：前两节的优化与安全校核都要求一个前提：手里有全网一致的运行断面。但量测数据带误差、有缺失、偶发坏数据，直接用会把优化带沟里。状态估计（SE）从冗余量测中修出全网电压相量与幅值的最优估计，并顺带揪出坏数据。本节讲清加权最小二乘的基本原理、坏数据辨识的逻辑与可观测性判定。

为什么不能直接用量测值

SCADA 系统每几秒采集一轮量测：功率、电流、电压。这些数字三个天生缺陷。其一，有误差：互感器精度、A/D 转换、传输延迟叠加起来，单点误差百分之几是常态。其二，不完整：量测配置永远做不到每条支路、每个母线都有，低电压等级的量测尤其稀疏。其三，不自洽：几十万个带误差的量测放在一起，连基尔霍夫定律都对不齐——潮流算出的功率与量测值必然矛盾。

把三个缺陷连起来看，结论自然浮现：需要一个"从带噪、带缺失、互相矛盾的原始量测中，求出与物理定律最一致的全网状态"的方法。这就是状态估计，数学上是加权最小二乘：找一组状态量（节点电压幅值与相角），使按潮流方程反算出的量测值与实际量测值的加权残差平方和最小：

min J(x) = Σ [ (z − h(x)) / σ ]²
​

z 是量测向量，h(x) 是潮流方程（和 3.1 节同一套方程，只是方向反过来：由状态算量测），σ 是各量测的标准差（精度越高权重越大）。迭代解法与牛顿法同族（高斯-牛顿），雅可比矩阵再次登场——3.2 芡说过的"雅可比是潮流的灵敏度地图"，在状态估计里它同样是残差对状态的敏感度。

坏数据：估计器的副产品价值

量测系统偶发坏数据：通道故障、互感器饱和、自动化系统误码。单个离谱的坏量测（比如某线路功率突然显示为物理上不可能的值）会污染整个断面的估计。加权残差提供了一条优雅的辨识逻辑：收敛后残差最大的量测最可疑——正常量测的残差应与其 σ 同量级，明显超过阈值的进入嫌疑名单；剔除嫌疑量测重新估计，若 J 值显著下降，则坐实坏数据。这套"估计—检测—辨识—剔除—重估"的循环是每台能量管理系统（EMS）的标配。

坏数据辨识的价值怎么强调都不过分：调度的每一条决策都基于估计断面，断面错了，6.2 节的优化算得再精也是南辕北辙。近年频发的虚假数据注入攻击（FDIA）正是针对这个环节：精心构造的假量测能骗过残差检测，把假断面"洗白"——安全研究者称之为针对状态估计的攻击，防御手段包括量测冗余校验与物理规律约束的深度校核。

图：状态估计在调度数据链中的位置

可观测性：没有量测的地方估计得出来吗

状态估计有个前提问题：量测够不够"解出"全网状态。可观测性指给定量测配置下状态量有唯一解——纯数学判据是量测雅可比矩阵满秩。工程结论更直观：量测要形成覆盖全网的"通道"——每条支路两端至少有功率量测、每个母线有注入或电压量测的合理组合；孤立的零量测区域不可观测，需要补装量测或用伪量测（预测值、历史值按低权重放入）填充。伪量测是工程智慧的体现：没有实测就用低可信度的预测顶位，权重压低让它不至于带偏估计。

可观测性分析还是量测规划的工具：新变电站要装几块表、装在哪，由"以最小投资满足全网可观测性与精度要求"的优化决定——又是一类 OPF 思维在数据侧的应用。

演练：一个坏数据的辨识过程

三母线系统，量测集：母线 1 电压 1.04、线路 1-2 功率 300 兆瓦、线路 2-3 功率 250 兆瓦、母线 2 注入 60 兆瓦。估计收敛后残差表显示线路 2-3 的功率残差达到六倍标准差，其余残差在一个标准差内。动作：剔除该量测重估，J 值下降 87%——坐实坏数据；估计器用其余量测补出该支路的最优估计值。调度员看到的最终断面里，这条支路标注"估计值（源量测剔除）"。整个过程自动完成、秒级结束——但这几十秒的数据洁净度，托着全调度台一天的决策质量。

补一个量测规划的应用视角：新增量测装在哪最划算？可观测性分析给出零量测区域清单，但装表决策要看灵敏度：状态估计的理论告诉我们，估计精度对量测位置的敏感度可由雅可比矩阵推导——在薄弱区域加装关键支路功率量测，全网估计精度的提升远大于在已冗余区域加密。供电公司按这个逻辑排量测投资序列，把有限预算花在"每块钱买到最多精度"的位置。这个思路还能往下延伸到配网：智能电表海量铺开之后，怎么挑选其中一部分做高速采集、其余按日冻结数据参与估计，本身就是一道量测优化配置的大题。

补一个混合估计的前沿实践：SCADA 与 PMU 的融合估计。PMU 提供毫秒级同步相量（精度高、覆盖低），SCADA 提供全网覆盖（覆盖高、刷新慢），融合状态估计让两者各取所长：动态过程以 PMU 为准、稳态全局以 SCADA 为准，接口处做时间对齐与一致性校核。这个融合正在改变动态监测的面貌——低频振荡的在线辨识、惯量的实时估计（从频率与功率扰动数据反推全网惯量）都依赖混合量测。惯量在线估计尤其关键：7.2 节的惯量稀缺问题，第一步就是"知道现在的惯量还剩多少"。

追问与辨析

坏数据与坏参数怎么区分？量测突然离谱（通道故障）是坏数据，剔除即可；设备参数录错（变压器阻抗与实际不符）会让残差呈现稳定的区域性偏移——前者时变、后者常驻。参数误差辨识是状态估计的进阶应用：用长期残差统计反推哪台设备的参数需要校正，形成"数据反哺模型"的闭环。配电网为什么状态估计难做？量测稀疏到可观测性都不满足，伪量测占比过高让估计值贴近先验而远离真实——配网量测建设（智能电表、配电终端）本质上是在为可观测性补课，这也是配网数字化的第一性目标。

本节要点回顾

• 三个缺陷（有误差、不完整、不自洽）决定了"原始量测不能直接用"，必须过状态估计。
• 加权最小二乘：精度高的量测权重大，潮流方程反过来用（由状态算量测），雅可比三度登场。
• 坏数据辨识：残差超限—剔除—重估—J 值验证；虚假数据注入攻击把这一环节变成攻防前沿。
• 可观测性：量测配置决定能否唯一解出全网状态，伪量测是补缺的工程手段。

数据链补齐。下一节看调度问题的另一种表述：电力市场——同一套数学，另一种组织方式。