📚 课程目录第4章状态估计的数学基础

4. 状态估计的数学基础

状态估计的本质，是在量测冗余且含有噪声的条件下，从一组不完美的数据中“反推”出最可信的系统状态。要理解电网状态估计为什么采用加权最小二乘（WLS）作为主流算法，就必须先弄清它背后的数学基础：最小二乘原理、加权最小二乘估计、极大似然估计，以及估计量的无偏性、方差和高斯-马尔可夫定理。这一节把这些概念串成一条逻辑链，而不是孤立地罗列公式。

一、从量测方程到最小二乘原理

设系统状态向量为 x（在电力系统中通常由各节点电压幅值和相角组成），量测向量为 z（包括支路功率、节点注入功率、电压幅值等）。量测与状态之间由非线性函数 h(·) 联系：

z = h(x) + v

其中 v 是量测误差向量。由于量测数 m 通常大于状态数 n（即存在冗余），方程一般无精确解。最小二乘原理的思想是：寻找一个状态估计值 x̂，使所有量测残差的平方和最小。定义目标函数：

J(x) = Σ [z_i − h_i(x)]²  = [z − h(x)]ᵀ[z − h(x)]

使 J(x) 最小的 x̂ 就是普通最小二乘估计。它的直观含义是：让估计结果在“整体上”最贴近全部量测，而不是迁就某一个量测。对线性化后的模型，令一阶导数为零可得正规方程，从而解出估计值。

二、加权最小二乘估计

普通最小二乘把所有量测同等看待，但实际中不同量测的精度差别很大：关口计量表精度高，某些 RTU 上送的功率量测误差可能大得多。若不加区分，低精度量测会把估计结果“拉偏”。加权最小二乘引入权重矩阵 W，通常取量测误差方差矩阵的逆：

J(x) = [z − h(x)]ᵀ W [z − h(x)]
W = diag(1/σ₁², 1/σ₂², …, 1/σ_m²)

方差越小（精度越高）的量测，权重越大，对估计结果的“话语权”越强。这正是 WLS 成为电网状态估计标准方法的原因。求解时对 J(x) 求极值，线性化后得到迭代格式：

Δx = (HᵀWH)⁻¹ HᵀW [z − h(x)]
x^(k+1) = x^(k) + Δx

其中 H = ∂h/∂x 是量测雅可比矩阵。增益矩阵 G = HᵀWH 是对称正定矩阵，其可逆性直接决定估计是否可解——这也是后面可观测性分析的基础。

三、极大似然估计与 WLS 的等价性

极大似然估计（MLE）从概率角度出发：在给定状态 x 的条件下，量测 z 出现的概率密度为 p(z|x)。MLE 选择使该密度最大的 x̂。若假设量测误差服从零均值高斯分布，且各量测相互独立，则似然函数为：

p(z|x) = (2π)^(−m/2) |R|^(−1/2) exp[−½ (z−h(x))ᵀ R⁻¹ (z−h(x))]

最大化 p(z|x) 等价于最小化指数中的二次型，即最小化 (z−h(x))ᵀR⁻¹(z−h(x))。这与取 W = R⁻¹ 的加权最小二乘目标函数完全一致。因此可以得出一个重要结论：在量测误差为零均值高斯分布的假设下，加权最小二乘估计就是极大似然估计。这为 WLS 提供了坚实的统计理论支撑。

四、估计量的无偏性与方差

估计量 x̂ 是一个随机变量，因为量测 z 本身含随机误差。评价估计量优劣的两个核心指标是：

无偏性：E[x̂] = x_true。即估计值在多次重复试验中的期望等于真值，没有系统性偏差。
方差：Var(x̂) 越小，估计结果越稳定、越集中。对 WLS，估计误差协方差矩阵为 Cov(x̂) = (HᵀWH)⁻¹。

无偏性说明“瞄得准”，方差说明“打得稳”。一个估计量可能无偏但方差很大，也可能方差小却有偏。实际工程中，我们既希望无偏，也希望方差尽可能小。

五、高斯-马尔可夫定理

高斯-马尔可夫定理给出了最小二乘估计的最优性保证：在量测误差零均值、同方差、互不相关的条件下，普通最小二乘估计是所有线性无偏估计中方差最小的，即最佳线性无偏估计（BLUE）。推广到加权情形，当权重取误差方差逆矩阵时，加权最小二乘估计同样是 BLUE。

需要特别注意定理的前提：它只保证在“线性无偏估计”这一类里最优，并不排除存在更优的非线性估计；同时它依赖误差零均值、方差结构已知等假设。若权重设置错误（例如把 σ 估错），估计仍可能无偏，但不再是最小方差，精度会下降。这也是实际状态估计中量测权重维护十分重要的原因。

六、从理论到工程实践

把上述理论落到电网状态估计的实现上，可以形成一条清晰的工程链路。以某 5 节点系统为例（示例参数，非实测）：节点 1 为平衡节点，电压幅值量测 σ = 0.005 p.u.，支路功率量测 σ = 0.01 p.u.，注入功率量测 σ = 0.02 p.u.。按 W = diag(1/σ²) 构造权重矩阵，则电压量测权重为 40000，支路功率权重为 10000，注入功率权重为 2500。可见电压量测在估计中起主导作用，这与运行经验一致。

迭代求解时，先由平启动（各节点电压幅值取 1.0 p.u.，相角取 0）计算 h(x) 和雅可比矩阵 H，再求 Δx 并更新状态，直到 |Δx| 小于收敛门槛（如 10⁻⁵）。收敛后，用 Cov(x̂) = (HᵀWH)⁻¹ 的对角元素开方，即可得到各状态量的估计标准差，用于判断估计精度。若某节点电压估计标准差明显偏大，往往说明该区域量测冗余不足或权重设置不合理。

在实际工程中，量测权重并非一成不变。当某量测通道通信质量下降或出现可疑数据时，可临时降低其权重，使估计结果更多依赖高置信度量测。这正是 WLS 灵活性的体现，也是后续坏数据辨识与权重自适应调整的衔接点。

高斯-马尔可夫定理的最优性建立在误差零均值、方差已知且互不相关的假设上。若存在系统性偏差（如 CT/PT 变比错误）或量测误差相关，WLS 虽仍可能无偏，但不再保证最小方差，估计精度会下降。因此权重维护和坏数据检测是状态估计不可分割的环节。

总结来看，最小二乘提供了“残差平方和最小”的优化准则，加权最小二乘通过权重体现量测精度差异，极大似然在高斯假设下与 WLS 等价，无偏性和方差刻画了估计量的统计品质，高斯-马尔可夫定理则从理论上证明了 WLS 在线性无偏估计中的最优性。这五个概念层层递进，共同构成了电网状态估计的数学基石。