1.基于改进的广义极大似然估计的配电网状态估计方法，其特征在于包括以下步骤：步骤1：采用广义极大似然估计准则，建立目标函数；

所述步骤1中，根据极大似然估计原理进行状态估计时，其目标函数为公式(8)：(8)；

式(8)中， 是第 个测量值的对应权重； 是第 个测量值的标准化残差； 为关于标准化残差的权函数； 表示求和符号； 表示求最小值符号；为目标函数符号；表示测量个数； 表示测量样本数据总个数；

步骤2：对广义极大似然估计方法中目标函数所需权函数进行分析和改进，以及自适应映射统计值的使用，将改进的广义极大似然估计方法用于配电网状态估计中；

所述步骤2中，改进的广义极大似然估计方法的迭代求解过程为：对公式(8)中的目标函数进行求导，令其关于 的偏导数为零，得到公式(13)：(13)；

式(13)中， 为目标函数 对状态量 的偏导数； 为权函数 对标准化残差 的偏导数； 为量测函数 对状态量 的偏导数； 为标准化残差； 为权重函数； 为求最小值符号； 为求和符号； 为抗差估计，取值为 ，其中，是校正因子，为量测量向量， 为关于状态量 的非线性量测函数， 为中值符号，表示测量个数； 表示测量样本数据总个数；

对公式(13)两边乘上 ，矩阵化得到公式(14)：(14)；

式(14)中， 为 维雅可比矩阵的转置矩阵；为量测量向量； 为非线性量测函数； 为量测权重矩阵； 为相应加权阵，其中 为关于标准化残差的求偏导函数； 为标准化残差； 为对角矩阵符号；

通过对公式(14)使用迭代重加权最小二乘法(IRLS)，能够得到状态修正方程，如公式(15)所示：(15)；

式(15)中， 为 维雅可比矩阵， 为量测权重矩阵； 为雅可比矩阵的转置矩阵； 为加权阵；为量测量向量；为非线性量测函数； 为第 次迭代过程中的状态量变化值； 、 分别为第 次和第 次迭代得到的状态量；

当满足收敛判据 时，算法收敛，其具体计算步骤如下：

1)输入系统参数，计算节点导纳、电阻和电抗矩阵；

2)根据系统数据进行潮流计算，在潮流计算的结果上叠加相应误差后作为状态估计量测量的值；

3)对参数进行初始化，设置最大迭代次数 以及当前迭代次数 ；

4)计算量测量 和雅可比矩阵 ，并计算相应权重 ；

5)利用状态修正方程(15)求解状态修正量 ，并在迭代过程中按 求解对应 值；

6)检验是否达到最大迭代次数，若没有，则检验收敛判据 ，看其是否收敛，若收敛，则转至步骤7)，若不收敛， ，转至步骤4)；

输出计算结果，将估计值与潮流计算出的电压幅值、相角值作对比；

步骤3：考虑传统量测系统与相量量测系统的不同技术特点，对不同估计模块进行状态估计，利用多传感器数据融合理论，对得到的估计结果进行融合处理，从而得到最优估计值；

所述步骤3中，对不同的估计模块进行融合处理，旨在保持传统SCADA量测系统不变的情况下，充分利用PMU相量量测数据；两个独立模块分别处理SCADA量测 和相量量测 以及相应的测量误差协方差 和 ；首先使用来自SCADA鲁棒估计的结果 来增加PMU量测值，得到公式(16)：(16)；

式(16)中， 是增广的测量向量； 是常量矩阵，是单位矩阵，是表征PMU测量值与状态量 之间的常量矩阵； 是测量误差向量，其误差协方差矩阵 ，其中 ，是通过Cholesky分解计算的；

对公式(16)两边同时乘以 ，能够得到 ，其中，为测量误差向量， ；

为常量矩阵；为状态变量；为测量向量；按照改进的广义极大似然估计器的类似步骤，能够得到公式(17)：(17)；

式(17)中， 为常量矩阵 的转置矩阵； 为权重矩阵； 为相应的加权阵；为测量向量；为状态向量； 为常量矩阵；

使用迭代重加权最小二乘算法进行迭代求解，第 次迭代修正方程为公式(18)：(18)；

式(18)中， 为常量矩阵的转置矩阵； 为常量矩阵； 为权重矩阵； 为第 次迭代产生的相应加权阵； 为第 次迭代产生的测量向量变化量； 为第 次迭代产生的状态向量变化量； 、 分别为第 次和第 次迭代得到的状态量；

所述步骤3中，在状态估计实际应用中，只考虑了两类传感器，即SCADA与PMU测量，其相应的估计分别由 和 表示，估计误差协方差矩阵分别为 和 ；设SCADA和PMU的数据通道都是独立的，且状态估计的误差协方差矩阵都是可用的，则简化形式的融合公式能够表达为公式(24)：(24)；

式(24)中， 为最佳估计值； 和 分别为估计误差协方差矩阵； 和 分别为状态估计值；

公式(24)被称为估计融合公式，由公式可知每个分量估计权重的矩阵是与彼此的误差协方差矩阵相关联的；由于不准确的估计使得协方差矩阵数值较大，所以对于状态估计而言，质量更好的协方差估计应该得到更好的权重；对于融合公式中估计误差协方差矩阵是由公式(4)得到，为了进一步简化计算更好的适应大型网络系统，能够将方程改写为公式(25)：(25)；

式(25)中， 为最佳估计值； 和 分别为增益矩阵； 和 分别为状态估计值；

进一步转化为公式(26)：

(26)；

式(26)中， 为最佳估计值； 和 分别为增益矩阵； 和 分别为状态估计值；方程(26)通过稀疏三角分解以及替换而求解；

步骤4：将改进的广义极大似然估计和估计融合体系相结合，用于配电网状态估计中。

2.根据权利要求1所述基于改进的广义极大似然估计的配电网状态估计方法，其特征在于：所述步骤1中，广义极大似然估计准则，采用非二次目标函数来增强估计模型的鲁棒性，其基本过程如下所示：考虑公式(5)所示的线性回归模型：

(5)；

式(5)中，表示观测量，表示状态变量， 表示测量误差，矩阵 代表了 与 之间的关系；

考虑 个测量样本数据 ，用 表示状态变量 和测量数据 之间的联合概率密度函数；似然函数定义为： ，设观测值相互独立且同分布，则似然函数能够写成公式(6)：(6)；

式(6)中， 为观测值与估计值之间的残差，此时概率密度函数可简化为只是以残差为变量的函数； 为联合概率密度函数； 表示连乘符号； 表示似然函数；

表示测量个数； 表示测量样本数据总个数；

变量 的最大可能结果可通过求解使得似然函数取得最大值时的数值，求解使得最大似然函数的对数形式取得最小值的解，即转换成求解 的最小值问题，其中： 为代价函数； 为求和符号； 为关于联合概率密度函数的对数函数；

为联合概率密度函数；设密度函数是可微的，对 求导，极大似然函数的解通过公式(7)所示的隐函数方程得到：(7)；

式(7)中， ， 为残差 对 的偏导函数； 表示求和符号；表示测量个数； 表示测量样本数据总个数；

定义函数 ，矩阵 ，则隐函数方程的矩阵形式为，其中： 表示雅可比矩阵的转置矩阵； 表示加权矩阵； 表示雅可比矩阵；表示变量； 表示观测量；由于矩阵 是关于变量 的函数，采取迭代算法进行求解，极大似然估计值 就是这类似然等式的解。

3.根据权利要求1所述基于改进的广义极大似然估计的配电网状态估计方法，其特征在于：所述步骤2中，对于目标函数中权函数的分析与改进，是在Huber函数方案的基础上进行改进：将权函数进行三段式处理，在Huber函数方案的基础之上，利用指数函数收敛速度较快的优点，对权函数进行改进，使得残差极小的数据能够得到足够比例的权重，残差较大时能够快速收敛并且不为0；

综上对改进的权函数进行分段处理，得到公式(11)：(11)；

式(11)中， 是第 个测量值的标准化残差； 是关于标准化残差的权函数；、、为调和常数。

4.根据权利要求1所述基于改进的广义极大似然估计的配电网状态估计方法，其特征在于：所述步骤2中，在状态估计中，为了使其能够根据雅可比矩阵的维数进行自适应调节，引入自适应系数 ，其值为： ，其中: 为雅可比矩阵的维数；此时采用抗差尺度估计得到 ，其中 为自适应系数； 是高中位算子； 是低中位算子；定义公式 ，为防止统计结果被零值影响，将中所有零值剔除得到 ；由此得到自适应映射统计值 。