基于快速解耦法的电力系统状态估计仿真程序

资 源 简 介

本项目开发了一套专用于电力系统稳态分析的快速解耦状态估计（Fast Decoupled State Estimation, FDSE）计算程序。该程序的核心目标是利用受噪声污染的实时量测数据（如节点电压、支路功率流、注入功率等）推算出电力系统各节点的电压幅值和相角等状态变量的精确值。程序基于加权最小二乘法（WLS）原理，通过忽略高压输电网中电阻/电抗比值较小的特性，将有功功率-相角（P-theta）与无功功率-电压幅值（Q-V）的迭代过程解耦，并构建常数系数矩阵（B'和B''矩阵）代替实时的雅可比矩阵，从而显著降低了计算量并加快了收敛速度。系统具备完整的数据预处理功能，能够自动生成节点导纳矩阵，支持IEEE标准测试系统（如IEEE-14, IEEE-30节点系统）数据的导入。除了基本的状态估计，该程序还包含了不良数据检测与辨识模块，利用最大标准化残差法（Ln）和卡方检测技术识别并剔除含有明显误差的量测数据，确保估计结果的鲁棒性与准确性。代码结构清晰，包含初始化、雅可比矩阵近似构造、迭代求解、残差计算及结果输出等完整流程，适用于电力系统调度自动化研究及教学演示。

详 情 说 明

基于快速解耦法的电力系统状态估计MATLAB仿真程序

项目简介

本项目开发了一套基于MATLAB的电力系统稳态分析工具，专注于快速解耦状态估计（Fast Decoupled State Estimation, FDSE）算法的实现与仿真。程序旨在利用受噪声污染的模拟量测数据（包括节点电压幅值、支路有功/无功功率、节点注入功率等），通过加权最小二乘法（WLS）原理，精确推算出电力系统节点的电压幅值和相角。

代码不仅实现了核心的解耦迭代算法，还集成了完整的数据模拟生成、噪声添加以及不良数据检测与辨识（Bad Data Detection & Identification）模块，能够有效识别并定位系统中的异常量测数据。

功能特性

• 仿真环境构建：内置IEEE 5节点测试系统模型，自动计算潮流真值（Ground Truth）作为基准。
• 模拟量测生成：基于真值自动生成量测数据，支持叠加高斯白噪声，并设有“人为注入不良数据”开关以验证检测算法。
• 快速解耦算法 (FDSE)：

* 实现了P-Theta（有功-相角）与Q-V（无功-电压）的迭代解耦。 * 采用定雅可比矩阵（Constant Jacobian）策略，通过构建常数增益矩阵和LU分解预处理，显著提高了迭代计算速度。

• 不良数据处理：

* 卡方检验（Chi-square Test）：基于目标函数值进行全局残差检验，判断是否存在不良数据。 * 最大归一化残差法（Ln）：计算各量测的归一化残差，精确定位误差最大的量测点。

• 可视化报表：终端直接输出迭代收敛过程、节点状态估计结果对比（估计值 vs 真值）、以及详细的残差分析排名。

系统要求

• MATLAB R2016b 或更高版本
• 不需要额外的工具箱（代码基于基础矩阵运算实现）

使用方法

1. 确保所有相关 .m 函数文件（如 makeYbus, run_power_flow, generate_measurements 等）位于MATLAB路径中。
2. 直接运行 main 函数。
3. 程序将自动执行以下流程：初始化 -> 生成数据 -> 迭代求解 -> 误差检测 -> 输出结果。
4. 参数调整：在 main.m 头部可以修改以下配置：

* max_iter：最大迭代次数（默认20）。 * tol：收敛精度（默认1e-4）。 * bad_data_inject：设置为 1 可人为在量测中加入粗差，用于测试不良数据辨识功能；设置为 0 则仅包含正常高斯噪声。

核心算法与代码逻辑分析

main.m 是整个仿真程序的主入口，其内部逻辑严格按照电力系统状态估计的数学流程编写，具体步骤如下：

1. 基础参数与系统建模

• 数据准备：调用特定函数加载IEEE 5节点系统的拓扑数据（Bus与Branch数据）。
• 真值计算：运行常规潮流计算，获得系统的真实电压与相角，用于后续对比和生成量测基准。
• 导纳矩阵：根据线路参数构建节点导纳矩阵（Ybus）。
• 量测模拟：生成五类量测数据（V幅值, P注入, Q注入, P流向, Q流向），并根据 R_diag 定义的方差添加随机噪声。

2. 状态估计初始化

• 采用平启动（Flat Start）策略，即所有节点电压初始化为1.0 p.u.，相角初始化为0度。确定节点1为参考节点，其相角在通过计算过程中保持固定。

3.快速解耦状态估计求解 (FDSE Core)

代码采用了定雅可比矩阵WLS算法，核心逻辑如下：

• 常数矩阵构建：计算快速解耦法所需的 $B'$ 和 $B''$ 矩阵，并基于初始状态构建一次雅可比矩阵 $H_{const}$。为了保证收敛性和计算效率，迭代过程中不再更新雅可比矩阵。
• 增益矩阵解耦：

* P-Theta 子问题：提取与有功相关的量测和状态，构建 $G_P$ 矩阵。 * Q-V 子问题：提取与无功/电压相关的量测和状态，构建 $G_Q$ 矩阵。

• LU分解加速：在迭代循环外预先对 $G_P$ 和 $G_Q$ 进行LU分解，迭代内部仅需进行前代回代运算。
• 半次迭代循环：

1. 计算量测残差 $r = z - h(x)$。 2. 利用 P-Theta 子系统求解相角修正量 $dTheta$，更新状态 $Theta$。 3. 利用更新后的 $Theta$ 重新计算残差。 4. 利用 Q-V 子系统求解电压修正量 $dV$，更新状态 $V$。 5. 检查 $dTheta$ 和 $dV$ 的最大范数是否小于容差 tol，若满足则退出循环。

4. 不良数据检测与辨识

当状态估计收敛后，程序进入后处理阶段：

• 灵敏度矩阵计算：基于收敛后的状态，重新计算完整的雅可比矩阵 $H_{final}$，进而计算残差协方差矩阵的对角元（利用Hat Matrix原理）。
• 归一化残差计算：计算 $r_N = |r| / sqrt{Omega_{ii}}$，标准化各量测的误差水平。
• 假设检验：

* 计算加权残差平方和 $J(x)$。 * 根据自由度（量测数 - 状态数）和置信度（95%）计算卡方分布临界值。 * 若 $J(x)$ 大于临界值，判定存在不良数据。

• 辨识逻辑：寻找归一化残差最大的量测点。若最大值超过经验阈值（设定为3.0），则将其标记为可疑的不良数据（Bad Data）。

5. 结果输出

程序最后会在控制台打印详细报表：

• 迭代信息：每次迭代的最大修正量和目标函数值。
• 检测结果：卡方检验结论及最大归一化残差信息（类型、位置、数值）。
• 节点状态表：列出每个节点的量测电压、估计电压、估计相角和真实电压的对比。
• 残差明细：按归一化残差大小降序排列，列出误差最大的前5个量测，便于用户快速分析。