CN116565976A - 基于pmu与多智能体系统的主动配电网状态估计方法 - Google Patents

Abstract

本发明涉及主动配电网状态估计领域，尤其涉及一种基于PMU与多智能体系统的主动配电网状态估计方法，包括为主动配电网建立多智能体系统，将主动配电网分区解耦为多个子系统，智能体收集智能体子系统内所有可用的PMU量测值，智能体执行子系统状态估计，相邻所述智能体交换前一阶段子系统状态估计结果，智能体根据交换的子系统状态估计结果对自身状态进行最终状态估计，建立主动配电网状态估计表达式得到最终状态估计结果，本发明应用多智能体系统技术以及人工蜂群算法，使得主动配电网状态估计过程更加容易且迅速，提高了主动配电网状态估计过程的鲁棒性及灵活性，进而提高了主动配电网状态估计的效率和质量。

Description

基于PMU与多智能体系统的主动配电网状态估计方法

技术领域

本发明涉及主动配电网状态估计领域，尤其涉及一种基于PMU与多智能体系统的主动配电网状态估计方法。

背景技术

近年来，为了满足用户日益增长的需求，传统电网正向着新型智能电网飞速发展。建立新型智能电网的第一阶段，系统状态监测是一项必要的任务。而系统监测最宝贵和最有用的策略之一就是状态估计。

中国专利公开号：CN107425520B公开了一种含节点注入功率不确定性的主动配电网三相区间状态估计方法，包括采用区间数对节点注入功率伪量测以及实时量测装置的量测误差的不确定性问题分别进行建模与分析；建立考虑不确定性的主动配电网三相区间状态估计数学模型；将所建立的主动配电网区间状态估计模型拆分为两个包含非线性区间约束条件的优化问题；采用一种基于迭代运算的线性规划方法结合稀疏矩阵技术对所建立的主动配电网三相区间状态估计数学模型进行有效求解。

无论是传统的状态估计还是分布式状态估计，都存在一些问题,使用精确数学模型的方法不容易求解，使用线性化数学模型的方法在估计过程中会引入误差。此外，在处理大型系统时，一些分布式状态估计方法，如基于扩展卡尔曼滤波的方法，还会导致严重的计算负担，使得状态估计速度缓慢。

发明内容

为此，本发明提供一种基于PMU与多智能体系统的主动配电网状态估计方法，用以克服现有配电网状态估计技术中分布状态不易求解，误差大，状态估计缓慢的问题。

为实现上述目的，本发明提供一种基于PMU与多智能体系统的主动配电网状态估计方法，包括：

步骤S1，为主动配电网建立多智能体系统，所述多智能体系统包括若干智能体，将主动配电网分区解耦为多个子系统，并建立子系统与若干智能体的对应关系；

步骤S2，任一所述智能体基于PMU收集智能体对应的子系统内所有可用的PMU量测值，智能体根据子系统内所有可用的PMU量测值通过人工蜂群算法对子系统进行状态估计；

步骤S3，相邻所述智能体交换前一阶段子系统状态估计结果；

步骤S4，任一所述智能体根据交换的子系统状态估计结果对自身状态进行最终状态估计，建立主动配电网状态估计问题的表达式从而得到最终状态估计结果；

步骤S5，根据每个智能体的最终状态估计结果，得到主动配电网总的状态估计结果。

进一步地，所述多智能体系统是一个以目标为导向的智能体社区，其包含若干智能体，所述多智能体系统对主动配电网进行分区解耦时遵循预设层次结构，每个智能体都有自己的目标作为智能体的局部目标，但全局目标一直处于最高优先级。

进一步地，在所述步骤S1中，对于主动配电网的具体分区解耦方法为：将主动配电网分为若干子系统，任一子系统包含智能体对应的母线和与智能体对应母线相关的相邻单元，所述与智能体对应母线相关的相邻单元由与智能体对应母线相连的所有母线以及连接这些母线的所有电力线路构成，子系统的数量等于主动配电网中的母线数。

进一步地，在所述步骤S2中，任一所述智能体使用其子系统内所有可用的PMU量测值执行子系统状态估计后，确定与子系统状态估计相关的目标函数并采用人工蜂群算法对目标函数进行求解，得到使目标函数最小的状态向量，所述状态向量包括电压幅值和相角，所述状态向量包含智能体对应的子系统内所有母线的状态，并以并行的方式，将相同的过程应用于其余子系统。

进一步地，在所述步骤S2中，采用加权最小二乘法来优化所述目标函数，设定：

其中，N为量测次数，Zi为第i次量测，ω_i为第i次量测的权重，x为子系统状态向量，f_i(x)为第i次量测与子系统状态向量间的量测方程。

进一步地，在所述步骤S2中，采用人工蜂群算法对所述目标函数进行求解，求解方式为：

初始化一组蜜源位置并生成状态向量，所述蜜源位置为目标函数的可行解，计算每个蜜源位置的适应度并保存最优适应度的蜜源位置，第i个蜜源相对应的采蜜蜂依据如下公式寻找新的蜜源，设定：

其中j表示蜜源位置的某一维向量，k≠i，v_ij是组合产生的新解，x_ij是希望改进的解，φ_ij是介于-1和1之间的随机变量，x_kj是选择与之组合的解；

根据每个蜜源位置的适应度计算其被选择的概率。蜜源i被选择概率p_i的计算公式为：

其中S_n为初始蜜源总数，fit_i为蜜源i的适应度。

进一步地，在所述步骤S2中，所述采蜜蜂回到蜂巢后跳摆尾舞与跟随蜂共享蜜源信息，所述跟随蜂根据计算出的所述蜜源被选择概率，选择相应的蜜源并对其领域继续进行搜索，跟随蜂将执行多种解决方案，并试图得到更好的蜜源位置，若蜜源位置在预设周期内无法改进，则它将被放弃，放弃解决方案后，侦察蜂在解决方案范围内引入了新的蜜源位置，记录蜜源位置直至满足终止条件输出最优解，算法将停止，得到各子系统的状态估计结果。

进一步地，在所述步骤S3中，相邻智能体交换的数据来自于其在前一阶段对各自子系统的状态估计结果，任一智能体最终得到其对应的子系统状态估计结果以及来自相邻智能体的前一阶段状态估计结果。

进一步地，在所述步骤S4中，建立主动配电网分布式状态估计问题的表达式，主动配电网分布式状态估计问题的表达式为：

其中，x_a为区域a的状态向量，x_b为相邻区域b的状态向量，n为定义区域的数量，B(a)为a的相邻区域的集合。

进一步地，在所述步骤S4中，根据主动配电网分布式状态估计问题的表达式得到母线i最终状态估计结果V_i和θ_i，每个智能体对他们各自的母线进行的最终状态估计表达式为：

其中V_i和θ_i分别为母线i电压的幅值和角度，N为整个主动配电网中的母线数，V_ik为母线i在母线k侧状态估计下的电压幅值，θ_ik为母线i在母线k侧状态估计下的电压相角，ω_k为估计的权重，ω_k∈[0,1]，对于母线i附近的母线k，ω_k＝0时母线i与母线k并没有通过线路直接相连，ω_k＝1时为母线i自身的状态估计结果，ω_k与母线i到母线k之间的距离成反比。

与现有技术相比，本发明的有益效果的在于，将多智能体系统技术以及人工蜂群算法应用于主动配电网状态估计技术领域中，通过多智能体系统技术将配电网系统解耦为更小的子系统，使得主动配电网状态估计过程更加容易、迅速和准确，将人工蜂群算法应用于子系统的状态估计，提高了状态估计过程的鲁棒性及灵活性，进而提高了主动配电网状态估计的效率和质量。

进一步地，本发明通过多智能体系统技术将配电网系统分区解耦为更小的子系统，并建立子系统与若干智能体的对应关系，使得在进行状态估计时，子系统消耗的时间更少，此外这种解耦极大地降低了主动配电网的复杂性，电力线路的数量会随着母线数量的减少而减少，使得子系统的复杂度大大降低，极大的缩短了计算时间。

进一步地，本发明采用加权最小二乘法优化目标函数，能有效抑制量测异常值对主动配电网状态估计的影响，提高了状态估计的可靠性，减小了状态估计过程中的误差。

进一步地，本发明采用人工蜂群算法对目标函数进行求解，可以得到使目标函数最小的状态向量，使得后续的计算过程误差更小，更加可靠，且人工蜂群算法具有沿解范围搜索的特殊性，即使到达局部最小值点也不例外，避免了传统元启发式算法容易陷入局部极小值的问题。

进一步地，本发明相邻智能体间进行数据交换，能够更好地对当前阶段的状态进行估计，提高了状态估计的准确性，实现了状态信息的共享，各个智能体之间能够相互了解彼此所在的子系统状态，从而更好地协同工作，提高了智能体系统的整体性能，相邻智能体可以共享前一阶段的状态估计结果，避免了重复计算，减少了计算复杂度，提高了计算效率。

附图说明

图1为本发明实施例所述一种基于PMU与多智能体系统的主动配电网状态估计方法的流程图；

图2为本发明实施例所述与智能体1相关的子系统的示意图；

图3为本发明实施例所述由I EEE14-母线拆分所生成的智能子系统示意图。

具体实施方式

为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

请参阅图1所示，其为本发明实施例基于PMU与多智能体系统的主动配电网状态估计方法的流程图，本发明所述配电网大数据故障预测方法，包括：

步骤S1，为主动配电网建立多智能体系统，所述多智能体系统包括若干智能体，将主动配电网分区解耦为多个子系统，并建立子系统与若干智能体的对应关系；

步骤S2，任一所述智能体基于PMU收集智能体对应的子系统内所有可用的PMU量测值，智能体使用其子系统内所有可用的PMU量测值执行子系统状态估计；

所述PMU是Phasor Measurement Un it的缩写，即相量测量装置。它是一种高精度、高速度的电力系统测量设备，用于实时监测电力系统中各个节点的电压、电流、频率等参数，并将测量结果通过通信网络传输到监控中心进行数据处理和分析。

步骤S3，相邻所述智能体交换前一阶段子系统状态估计结果；

步骤S4，任一所述智能体根据交换的子系统状态估计结果对自身状态进行最终状态估计，建立主动配电网状态估计问题的表达式从而得到最终状态估计结果；

步骤S5，根据每个智能体的最终状态估计结果，得到主动配电网总的状态估计结果。

具体而言，在所述步骤S1中，所述多智能体系统是一个以目标为导向的智能体社区，其包含若干智能体，所述多智能体系统对主动配电网进行分区解耦时遵循预设层次结构，每个智能体都有自己的目标作为智能体的局部目标，但全局目标一直处于最高优先级。

通过多智能体系统技术将配电网系统分区解耦为更小的子系统，并建立子系统与若干智能体的对应关系，使得在进行状态估计时，子系统消耗的时间更少，此外这种解耦极大地降低了主动配电网的复杂性，电力线路的数量会随着母线数量的减少而减少，使得子系统的复杂度大大降低，极大的缩短了计算时间。

具体而言，在所述步骤S1中，对于主动配电网的具体分区解耦方法为：将主动配电网分为若干子系统，任一子系统包含智能体对应的母线和与智能体对应母线相关的相邻单元，所述与智能体对应母线相关的相邻单元由与智能体对应母线相连的所有母线以及连接这些母线的所有电力线路构成，子系统的数量等于主动配电网中的母线数。

具体而言，在所述步骤S2中，任一所述智能体使用其子系统内所有可用的PMU量测值执行子系统状态估计后，确定与子系统状态估计相关的目标函数并采用人工蜂群算法对目标函数进行求解，得到使目标函数最小的状态向量，所述状态向量包括电压幅值和相角，所述状态向量包含智能体对应的子系统内所有母线的状态，并以并行的方式，将相同的过程应用于其余子系统。

所述人工蜂群算法是一种仿照蜜蜂等社会性昆虫的行为和组织方式，将多个个体或者机器人组成的系统协同工作，解决复杂的任务和问题。

在人工蜂群技术中，每个个体或机器人可以通过局部信息和与周围个体的交互来完成任务，同时也遵循一定的规则和策略。这种分布式的协作方式可以增强系统的鲁棒性、适应性和灵活性，提高任务的效率和质量。

采用人工蜂群算法对目标函数进行求解，可以得到使目标函数最小的状态向量，使得后续的计算过程误差更小，更加可靠，且人工蜂群算法具有沿解范围搜索的特殊性，即使到达局部最小值点也不例外，避免了传统元启发式算法容易陷入局部极小值的问题。

具体而言，在所述步骤S2中，采用加权最小二乘法来优化所述目标函数，设定：

其中，N为量测次数，Zi为第i次量测，ω_i为第i次量测的权重，x为子系统状态向量，f_i(x)为第i次量测与子系统状态向量间的量测方程；

采用加权最小二乘法优化目标函数，能有效抑制量测异常值对主动配电网状态估计的影响，提高了状态估计的可靠性，减小了状态估计过程中的误差。

配电系统状态估计的特点是由数据采集、拓扑分析、可观测性分析、网络状态估计和不良数据分析等连续几个步骤构成的，本实施例涉及配电系统状态估计整个过程的一部分，主要研究配电系统中网络状态估计，包括节点电压、支路电流幅值和相角。

具体而言，在所述步骤S2中，采用人工蜂群算法对所述目标函数进行求解，求解方式为：

初始化一组蜜源位置并生成状态向量，所述蜜源位置为目标函数的可行解，计算每个蜜源位置的适应度并保存最优适应度的蜜源位置，第i个蜜源相对应的采蜜蜂依据如下公式寻找新的蜜源，设定：

其中j表示蜜源位置的某一维向量，k≠i，v_ij是组合产生的新解，x_ij是希望改进的解，φ_ij是介于-1和1之间的随机变量，x_kj是选择与之组合的解；

根据每个蜜源位置的适应度计算其被选择的概率。蜜源i被选择概率p_i的计算公式为：

其中S_n为初始蜜源总数，fit_i为蜜源i的适应度。

具体而言，在所述步骤S2中，所述采蜜蜂回到蜂巢后跳摆尾舞与跟随蜂共享蜜源信息，所述跟随蜂根据计算出的所述蜜源被选择概率，选择相应的蜜源并对其领域继续进行搜索，跟随蜂将执行多种解决方案，并试图得到更好的蜜源位置，若蜜源位置在预设周期内无法改进，则它将被放弃，放弃解决方案后，侦察蜂在解决方案范围内引入了新的蜜源位置，记录蜜源位置直至满足终止条件输出最优解，算法将停止，得到各子系统的状态估计结果。

具体而言，在所述步骤S3中，相邻智能体交换的数据来自于其在前一阶段对各自子系统的状态估计结果，任一智能体最终得到其对应的子系统状态估计结果以及来自相邻智能体的前一阶段状态估计结果。

相邻智能体间进行数据交换，能够更好地对当前阶段的状态进行估计，提高了状态估计的准确性，实现了状态信息的共享，各个智能体之间能够相互了解彼此所在的子系统状态，从而更好地协同工作，提高了智能体系统的整体性能，相邻智能体可以共享前一阶段的状态估计结果，避免了重复计算，减少了计算复杂度，提高了计算效率。

具体而言，在所述步骤S4中，建立主动配电网分布式状态估计问题的表达式，主动配电网分布式状态估计问题的表达式为：

其中，x_a为区域a的状态向量，x_b为相邻区域b的状态向量，n为定义区域的数量，B(a)为a的相邻区域的集合。

具体而言，在所述步骤S4中，根据主动配电网分布式状态估计问题的表达式得到母线i最终状态估计结果V_i和θ_i，每个智能体对他们各自的母线进行的最终状态估计表达式为：

其中V_i和θ_i分别为母线i电压的幅值和角度，N为整个主动配电网中的母线数，V_ik为母线i在母线k侧状态估计下的电压幅值，θ_ik为母线i在母线k侧状态估计下的电压相角，ω_k为估计的权重，ω_k∈[0,1]，对于母线i附近的母线k，ω_k＝0时母线i与母线k并没有通过线路直接相连，ω_k＝1时为母线i自身的状态估计结果，ω_k与母线i到母线k之间的距离成反比。

实施例一：本实施例以IEEE14-母线系统为例，其子系统数量为14个，图2给出了包含三条母线的子系统N1。图3给出了IEEE14母线系统中与三个智能体(智能体1、智能体2和智能体13)相关的三个不同子系统。

表1

在所述步骤S1中，通过对配网系统的分区解耦，新的子系统要比整个配网系统小得多。进行状态估计时，子系统消耗的时间更少。对于I EEE-14母线系统，目标函数的最小化有27个变量，相比于包含3条母线5个变量目标函数的最小化需要更多的时间。此外这种解耦极大地降低了主动配电网的复杂性，电力线路的数量会随着母线数量的减少而减少，使得子系统的复杂度大大降低。I EEE14-母线系统的拆分结果如表1所示。拆分后I EEE14-母线的子系统最大规模为6，这表明系统的复杂性大大降低了，具有所有电力线路连接的IEEE14-母线的原始复杂度降低到6-母线子系统的最大复杂度。

表2

表3

在I EEE14-母线配网系统量测中，考虑了配网系统所有线路的有功和无功潮流PMU量测，在母线1′、8′、9′、10′处通过PMU进行了4次电压量测，所述母线1′为与智能体1相对应的母线，以此类推，母线按标号与智能体一一对应。这些量测结果如表2和表3所示。

估计过程最终得到以下矢量[V1₁,V2₁,V5₁,θ1₁,θ2₁,θ5₁]。并以并行的方式，将相同的过程应用于I EEE14-母线产生的其余子系统，使得整个主动配电网系统的计算时间几乎等于系统中最大子系统的计算时间。

图3中智能体1会获得前一阶段本地的状态估计结果，也会获得前一阶段智能体2和智能体5的状态估计结果[V1₁,V1₂,V1₅,θ1₁,θ1₂,θ1₅]，其中Vi_k、θi_k为母线智能体i在母线智能体k侧状态估计下的电压幅值和相角。

最终得到I EEE14-母线电压估计结果如表4所示，I EEE14-母线电压相角估计结果如表5所示。

表4

表5

根据表4和表5中实际值与人工蜂群算法得出使用人工蜂群算法的I EEE14-母线状态估计的均方误差如表6所示。

表6

表7

最后，本实施例统计了I EEE14-母线中集中式与分布式方法的状态估计时间，如表7所示，可以看出，在进行分布式状态估计时，计算负担大大减少。这是将整个配网系统拆分为更小的子系统以及以并行方式进行状态估计的结果。对于I EEE14-母线系统，集中式状态估计的计算时间约为分布式状态估计的5倍。对于更大的系统，这种差异甚至更大。总体而言，使用本实施例所述的一种基于PMU与多智能体系统的主动配电网状态估计方法，整个主动配电网系统的状态估计时间几乎等于最大子系统的状态估计时间，从而大大减少了计算负担，确保了状态估计有效性。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于PMU与多智能体系统的主动配电网状态估计方法，其特征在于，包括：

步骤S1，为主动配电网建立多智能体系统，所述多智能体系统包括若干智能体，将主动配电网分区解耦为多个子系统，并建立子系统与若干智能体的对应关系；

步骤S2，任一所述智能体基于PMU收集智能体对应的子系统内所有可用的PMU量测信息，智能体使用其子系统内所有可用的PMU量测信息执行子系统状态估计；

步骤S3，相邻所述智能体交换前一阶段子系统状态估计结果；

步骤S4，任一所述智能体根据交换的子系统状态估计结果对自身状态进行最终状态估计，建立主动配电网状态估计问题的表达式从而得到最终状态估计结果；

步骤S5，根据每个智能体的最终状态估计结果，得到主动配电网总的状态估计结果。

2.根据权利要求1所述的基于PMU与多智能体系统的主动配电网状态估计方法，其特征在于，在所述步骤S1中，所述多智能体系统是一个以目标为导向的智能体社区，其包含若干智能体，所述多智能体系统对主动配电网进行分区解耦时遵循预设层次结构，每个智能体都有自己的目标作为智能体的局部目标，但全局目标一直处于最高优先级。

3.根据权利要求2所述的基于PMU与多智能体系统的主动配电网状态估计方法，其特征在于，在所述步骤S1中，对于主动配电网的具体分区解耦方法为：将主动配电网分为若干子系统，任一子系统包含智能体对应的母线和与智能体对应母线相关的相邻单元，所述与智能体对应母线相关的相邻单元由与智能体对应母线相连的所有母线以及连接这些母线的所有电力线路构成，子系统的数量等于主动配电网中的母线数。

4.根据权利要求3所述的基于PMU与多智能体系统的主动配电网状态估计方法，其特征在于，在所述步骤S2中，任一所述智能体使用其子系统内所有可用的PMU量测值执行子系统状态估计后，确定与子系统状态估计相关的目标函数并采用人工蜂群算法对目标函数进行求解，得到使目标函数最小的状态向量，所述状态向量包括电压幅值和相角，所述状态向量包含智能体对应的子系统内所有母线的状态，并以并行的方式，将相同的过程应用于其余子系统。

5.根据权利要求4所述的基于PMU与多智能体系统的主动配电网状态估计方法，其特征在于，在所述步骤S2中，采用加权最小二乘法来优化所述目标函数，设定：

其中，N为量测次数，Zi为第i次量测，ω_i为第i次量测的权重，x为子系统状态向量，f_i(x)为第i次量测与子系统状态向量间的量测方程。

6.根据权利要求5所述的基于PMU与多智能体系统的主动配电网状态估计方法，其特征在于，在所述步骤S2中，采用人工蜂群算法对所述目标函数进行求解，求解方式为：

初始化一组蜜源位置并生成状态向量，所述蜜源位置为目标函数的可行解，计算每个蜜源位置的适应度并保存最优适应度的蜜源位置，第i个蜜源相对应的采蜜蜂依据如下公式寻找新的蜜源，设定：

其中j表示蜜源位置的某一维向量，k≠i，v_ij是组合产生的新解，x_ij是希望改进的解，是介于-1和1之间的随机变量，x_kj是选择与之组合的解；

根据每个蜜源位置的适应度计算其被选择的概率。蜜源i被选择概率p_i的计算公式为：

其中S_n为初始蜜源总数，fit_i为蜜源i的适应度。

7.根据权利要求6所述的基于PMU与多智能体系统的主动配电网状态估计方法，其特征在于，在所述步骤S2中，所述采蜜蜂回到蜂巢后跳摆尾舞与跟随蜂共享蜜源信息，所述跟随蜂根据计算出的所述蜜源被选择概率，选择相应的蜜源并对其领域继续进行搜索，跟随蜂将执行多种解决方案，并试图得到更好的蜜源位置，若蜜源位置在预设周期内无法改进，则它将被放弃，放弃解决方案后，侦察蜂在解决方案范围内引入了新的蜜源位置，记录蜜源位置直至满足终止条件输出最优解，算法将停止，得到各子系统的状态估计结果。

8.根据权利要求7所述的基于PMU与多智能体系统的主动配电网状态估计方法，其特征在于，在所述步骤S3中，相邻智能体交换的数据来自于其在前一阶段对各自子系统的状态估计结果，任一智能体最终得到其对应的子系统状态估计结果以及来自相邻智能体的前一阶段状态估计结果。

9.根据权利要求8所述的基于PMU与多智能体系统的主动配电网状态估计方法，其特征在于，在所述步骤S4中，建立主动配电网分布式状态估计问题的表达式，主动配电网分布式状态估计问题的表达式为：

其中，x_a为区域a的状态向量，x_b为相邻区域b的状态向量，n为定义区域的数量，B(a)为a的相邻区域的集合。

10.根据权利要求9所述的基于PMU与多智能体系统的主动配电网状态估计方法，其特征在于，所述步骤S4中，根据主动配电网分布式状态估计问题的表达式得到母线i最终状态估计结果V_i和θ_i，每个智能体对他们各自的母线进行的最终状态估计表达式为：

其中V_i和θ_i分别为母线i电压的幅值和角度，N为整个主动配电网中的母线数，V_ik为母线i在母线k侧状态估计下的电压幅值，θ_ik为母线i在母线k侧状态估计下的电压相角，ω_k为估计的权重，ω_k∈[0,1]，对于母线i附近的母线k，ω_k＝0时母线i与母线k并没有通过线路直接相连，ω_k＝1时为母线i自身的状态估计结果，ω_k与母线i到母线k之间的距离成反比。