电力系统状态估计的基本任务有二：

1.根据遥信结果，确定网络拓扑，即节点-支路的连接关系

2.根据遥测结果，估计系统的潮流分布，即节点电压，支路功率等，其结果符合电路定律。

其中第一项任务可通过拓扑分析程序完成，第二项任务有时也被狭义地成为电力系统状态估计。其经典数学模型如下：

min (z-h(x))TW(z-h(x))

s.t. c(x)=0

其中x是状态变量，即节点电压的幅值和相角，z为量测值。W为权重矩阵。

即把x作为优化变量，根据x可以算出某量测量的估计值(h(x))。目标函数是估计值和量测值的差（称为残差）具有加权最小二乘。

一般对以上优化模型采用牛顿法求解（实际上是近似的）。详可参考于尔铿老师的《电力系统状态估计》一书或各种调度自动化教材（本科电力系统分析教材可能不讲）

电力系统的量测分为遥测和遥信两种。

遥测是模拟量的量测结果，包括支路功率或电流，节点电压等。传统的SCADA系统不能测量节点电压的相角。随着WAMS的发展，节点电压相角的量测也逐渐变为可能。但具体的实施还有诸多困难，这里不详述。

遥信是开关量的量测结果，即开关（断路器）或刀闸的开合状态，变压器的档位等。

为什么电力系统的量测不能直接用于分析计算，而必须要经过状态估计呢？原因如下：

1.电力系统遥信或遥测可能存在不良数据

2.电力系统的遥测结果不符合电路定律。如流过某一节点的所有电流之和并不为0等

因此状态估计是必要的，量测数据有时又被称为“生数据”，状态估计结果被称为“熟数据”

由于种种原因（如信道干扰导致数据失真，互感器或量测设备损坏，系统维护不及时导致方向反向等），电力系统的某些遥测结果可能远离其真值，遥信结果也可能有错误。这些量测称为坏数据或不良数据

遥信错误将导致拓扑分析错误，显然会严重影响状态估计结果。

而由于目标函数与遥测的残差成平方关系，坏数据对优化有强作用。少数的坏数据将导致状态估计结果的严重偏离

因此必须加入不良数据辨识环节剔除这些坏数据。主流不良数据辨识程序是基于正则化残差的。

这样电力系统状态估计的完整流程是：

传入遥测，遥信数据-->遥信验错-->网络拓扑分析-->最小二乘状态估计<-->不良数据辨识-->估计出系统状态

其中最小二乘状态估计和不良数据辨识是交替进行的。

状态估计的不良数据辨识和遥信验错问题尚未完全解决，是一个可研究的领域

电科院于尔铿老师的《电力系统状态估计》一书是电力系统状态估计的经典著作，但因为是专业书籍，年代也比较早，一般的书店很难有卖- -!!2100433B

研究新息图的建模理论，建立新息向量元素间的合理有用关系，研究网络拓扑特性和历史信息资源的充分运用，建立测量、预报和运行模式三者的递推与协调关系；研究恶条件下拓扑错误、坏数据辨识，在大系统下进行状态估计的方法。解决遥信不理想、多坏数据聚集和对测量冗余度要求偏高的问题，为电力市场环境下的电力系统调度自动化提供快速可靠数据。 2100433B

状态估计的数学模型是基于反映网络结构、线路参数、状态变量和实时量测之间相互关系的量测方程:

z=h(x) v

其中z是量测量;h(x)是状态变量,一般是节点电压幅值和相位角;v是量测误差;它们都是随机变量。

状态估计器的估计准则是指求解状态变量二的原则,电力系统状态估计器采用的估计准则大多是极大似然估计,即求解的状态变量二`使量测值z被观测到的可能性最大,用数学语言描述,即:

其中f(z)是量测z概率分布密度函数。

显然,具体的目标函数表达式与量测z的分布模式密切相关,对每个f(幼都有相应的极大似然估计函数。对同一系统的相同实时量测,若假定的量测分布模式不同,则得到的估计结果不完全相同,因此有不同估计准则的估计器 。2100433B