简介：基于人工神经网络的电力系统动态状态估计Matlab代码包，面向电力系统科研人员、工程师，以及计算机、电子信息、数学等专业学生，主要用于解决传统状态估计方法对高维非线性电力系统建模困难、精度不足的问题，也适用于课程设计、期末大作业和毕业设计等教学场景。压缩包共含7个文件，整体约7.77MB，包括2个m测试脚本（分别对应9节点与140节点系统）、2个mat网络初始化参数、2个zip功能与数据辅助包，以及1个md说明文档，文件分工明确，便于定位学习。已有54人学习下载。代码采用参数化编程，关键参数可灵活调整，注释详尽，涵盖数据预处理、网络结构设计、训练测试和结果分析等完整流程；附带的案例数据保证程序可直接运行，读者可基于9节点和140节点系统快速复现实验，对比人工神经网络与传统算法的状态估计效果，为算法改进和系统监控提供实用工具。

1. 基于人工神经网络的电力系统动态状态估计：这份 Matlab 代码在解决什么问题

如果你的日常工作或课题里做过电力系统状态估计，大概率被扩展卡尔曼滤波（EKF）的调参折磨过：Q 矩阵、R 矩阵、雅可比矩阵、发散……哪个环节没伺候好，估计值就敢给你乱飘。这正是“基于人工神经网络的电力系统动态状态估计 Matlab 代码”这种代码包存在的意义——用人工神经网络直接学习量测数据到系统状态（节点电压幅值和相角）的映射关系，绕开对精确系统模型和噪声统计特性的依赖，把动态状态估计从“调参数的黑匣子”变成“训练出来的黑匣子”。这份代码包适合三类人：做电网状态估计方向毕业设计的研究生，正在做在线动态安全评估的调度侧工程师，以及想对比 ANN 和 UKF/EKF 效果的算法研究者。它的核心价值不是“更准”，而是“少调参、能跟踪、可复现”。

2. 为什么动态状态估计选择人工神经网络：EKF 的局限与 ANN 数据驱动思路

2.1 动态状态估计到底在估计什么：状态方程与量测方程的数学骨架

要搞清楚 ANN 怎么用，先得说清楚动态状态估计的任务本身。电力系统动态状态估计的目标，是在线跟踪系统当前运行状态，也就是各节点的电压幅值 V 和相角 θ。相角以参考节点为基准，所以 N 个节点的系统，状态向量 x 的维度是 2N−1。系统模型由两部分组成：

状态方程：x_k = f(x_{k-1}) + w_k 量测方程：z_k = h(x_k) + v_k

其中 f 描述状态随时间演化的规律，h 描述量测值与状态之间的关系，w_k 和 v_k 分别是过程噪声和量测噪声。传统方法里，f 通常简化为“上一时刻状态 + 随机扰动”，也就是随机游走模型；h 则来自潮流方程，是非线性的。动态状态估计要做的，就是每一时刻都结合量测 z_k 和历史信息，给出当前 x_k 的最小方差意义下的估计。

这和静态状态估计有本质区别：静态估计（如加权最小二乘）只用当前断面的量测做一次拟合，没有时间维度；动态估计则要利用状态演化的连贯性，在量测缺失或质量差时依然能靠预测维持跟踪。这个“时间维度”正是 ANN 能发力的地方，也是后来很多训练数据构造时踩坑的根源。

2.2 传统卡尔曼滤波框架为什么在电网场景“看得懂算不准”

EKF 的核心思想是把非线性系统在每步工作点处线性化，然后套用标准卡尔曼滤波的预测-校正流程。听着顺理成章，但拿到实际电网场景里有几个绕不开的问题。

第一，雅可比矩阵难算且容易错。h 是潮流方程，对每个状态求偏导形成 H 矩阵，在 N 较大的系统里手推几乎不可能，用符号工具箱求导则可能引入数值病态。很多人在这一步消耗了大量时间，最后估计效果不好还找不出是雅可比错了还是 Q、R 没调好。第二，线性化误差在高扰动场景下被放大。负荷突变、线路投切时系统偏离线性化点的程度大，EKF 的近似误差直接导致滤波滞后甚至发散。第三，过程噪声协方差 Q 和量测噪声协方差 R 的取值玄学成分很大。Q 太小，滤波器过于自信、跟不上变化；Q 太大，估计结果跟随量测噪声剧烈抖动，几乎退化成静态估计。实际工程里 Q 和 R 常常靠试凑，这个过程极其折磨人。

ANN 方法换了一条思路：既然 f 和 h 都难精确建模，那干脆不显式建模。人工神经网络用大量“量测-真值”样本对直接拟合从 z 到 x 的映射，训练完成后做一次前向传播就得到估计结果，不需要雅可比矩阵，也不需要分 Q 和 R。代价是训练数据必须有足够的代表性，否则模型会“背答案”而不是“学规律”。

2.3 ANN 建模的两个流派与 Matlab 实现选型：纯黑匣子还是灰盒辅助

用 ANN 做动态状态估计，业界和学术界大致有两条路线。

一条是纯端到端路线：把量测序列作为输入，直接输出状态估计值。中间没有任何物理模型参与，网络自己学习量测与状态之间的非线性关系。这个方案最大的优点是结构简单，Matlab 里用 feedforwardnet 或者 timedelaynet 就能搭；缺点是纯黑匣子，训练数据覆盖不到的场景（比如罕见的拓扑变化）它可能给出完全离谱的估计值。适合做毕业设计快速出结果，也适合作为基线方案。

另一条是模型辅助路线，也叫灰盒方案：用 ANN 去拟合状态转移方程 f 或量测方程 h 的残差，再把这个学习到的模型嵌入 EKF/UKF 框架。这样保留了卡尔曼滤波的时序推理能力，同时用神经网络弥补模型误差。实现复杂度明显更高，但在故障工况和拓扑变化下的鲁棒性更好。

标题里的代码包通常指的是纯端到端路线，这从“人工神经网络 + 动态状态估计 + Matlab 代码”的组合能看出来。如果你是在做工程落地，我建议先跑通端到端版本，理解输入输出设计之后再考虑是否引入灰盒结构。直接上灰盒方案，调试难度会翻倍。

2.4 网络输入输出设计：量测序列到状态估计值的映射关系

这是整个方案最关键的设计决策。很多人第一次做 ANN 状态估计时会犯一个直觉性错误：把某一个断面的量测直接作为输入，输出就是该断面的状态。这实际上是在做一个静态映射，完全没有利用“动态”信息，系统扰动稍微快一点就跟踪不上。

常见做法是使用滑窗输入：把连续若干时刻的量测向量拼接成一个特征向量喂给网络。假设窗长为 L，量测向量维度为 m（通常取自节点注入有功、无功和部分电压幅值量测），那么输入维度就是 L×m。输出仍是当前时刻的状态向量（维度 2N−1）。这样网络才能学到“最近一段时间的变化趋势如何外推到当前状态”的规律，才能叫动态估计。

输出量的表示也值得注意。电压幅值通常采用标幺值，量值在 0.9~1.1 之间；相角则是弧度制，量值可能在 −0.3~0.3 之间。两者量纲差异大，做归一化时如果混在一起做全局 min-max 缩放，相角的细微变化很容易被 amp 的大范围淹没，导致训练完相角误差偏大。常见做法是分别归一化，或者干脆把相角乘以一个尺度系数（比如 10）再送入网络。这个细节会在第 5 章避坑部分专门展开。

3. 跑通最小复现流程：IEEE 14 节点数据集生成与 FFNN 训练

3.1 环境准备：Matlab 版本、工具箱与数据生成工具

在动手之前，先确认 Matlab 环境里装了 Neural Network Toolbox（现在叫 Deep Learning Toolbox）。这个工具箱里封装的 feedforwardnet、trainlm、mapminmax 等函数，是这个方案的核心依赖，缺失它则基本跑不起来。Matlab 的版本方面，R2018a 之后的版本都能直接运行，较新的版本（比如 2026b）也兼容这些接口，但要注意新版对 trainlm 的默认参数有微调，训练结果未必与老版本完全一致。

数据生成依赖电力系统潮流计算工具。主流选择是 MATPOWER，这是一个开源工具箱，内置 IEEE 14、IEEE 30、IEEE 118 等标准测试系统数据。如果你手头的代码包里没有自带 MATPOWER，需要自行下载并添加到 Matlab 路径。也有少数代码包直接用采样数据合成量测，但那种方式缺少物理一致性——量测之间的潮流约束关系不成立，训练出来的网络在真实数据上往往翻车。所以我的建议是，无论代码包里给没给数据，都优先用 MATPOWER 自产数据，这样能保证物理一致性。

3.2 生成训练数据：潮流计算、负载扰动与时序拼接

这一节给出一个完整的训练数据生成脚本的结构。它的逻辑是：在 IEEE 14 节点系统上，让各节点负荷在基准值附近随机连续变化，对每个时间断面做潮流计算得到“真值状态”，再在真值上叠加高斯噪声模拟 SCADA 量测。这样得到的就是带时序关系的“量测-真值”训练对。

% gen_training_data.m % 目的：生成带时序关系的量测-真值训练对 % 依赖：MATPOWER 开源潮流计算工具箱 mpc = loadcase('case14.m'); % IEEE 14节点标准测试系统 nBus = size(mpc.bus, 1); baseLoad = mpc.bus(:, 3); % 基准有功负荷（MW） nTime = 3000; % 时间断面总数 nMeas = nBus * 2; % 量测维度：注入有功+无功 nState = nBus * 2 - 1; % 状态维度：电压幅值 + 相角(参考节点除外) dataX = zeros(nTime, nMeas); % 量测数据矩阵 dataY = zeros(nTime, nState); % 真值状态矩阵 % 关键：用随机游走模拟负荷动态，而不是每步独立随机抽样 loadScale = ones(nBus, 1); for t = 1:nTime % 各节点负荷围绕上一时刻值做小幅随机游走，模拟持续动态变化 loadScale = loadScale + 0.02 * randn(nBus, 1); loadScale = max(0.7, min(1.3, loadScale)); % 限制在 [0.7, 1.3] 区间 mpc.bus(:, 3) = baseLoad .* loadScale; mpc.bus(:, 4) = mpc.bus(:, 3) .* 0.25; % 无功按约0.25比例配置，模拟典型功率因数 % 潮流计算，得到当前断面的真值状态 res = runpf(mpc); V_true = res.bus(:, 8); % 电压幅值（标幺值） theta_true = res.bus(:, 9) * pi / 180; % 相角转为弧度 % 构造量测：幅值量测叠加 ±1% 高斯噪声，注入量测叠加 ±3% 高斯噪声 Z_mag = V_true + 0.01 * randn(nBus, 1); S_inj = (res.bus(:, 3) + 1j * res.bus(:, 4)) ... + 0.03 * abs(res.bus(:, 3) + 1j * res.bus(:, 4)) .* randn(nBus, 1); dataX(t, :) = [abs(S_inj); angle(S_inj)]; % 注入功率的量测值作为网络输入 dataY(t, :) = [V_true(2:end); theta_true(2:end)]; % 真值状态作为训练目标 end % 保存数据供训练脚本调用 save('train_data.mat', 'dataX', 'dataY');

逻辑说明：负荷随机游走是这段代码的灵魂。如果每个时间断面的负荷都独立抽样，那么各断面之间没有时序关联，训练出来的网络本质上是一个静态估计器，无法体现“动态跟踪”能力。这里用 loadScale 逐时刻迭代更新，让负荷曲线具备时间连续性，与真实电网的负荷变化特性吻合。量测噪声的大小参照了工程中 SCADA 量测的典型误差范围：电压幅值量测精度较高（约 1%），注入功率量测精度稍低（约 3%）。两者在实际代码里应分开设置，不能在幅值和功率上用同一个噪声标准差。

这段代码里有一个容易忽视的细节：dataY 中参考节点（1 号节点）的相角没有包含在内，因为潮流计算中它是参考量，恒为 0，不参与估计。输出维度因此是 2N−1 而非 2N。

3.3 搭建神经网络：两层 FFNN 做状态估计器的示例代码

数据准备好之后，下一步就是搭网络。对于这个任务，一个两层隐藏层的前馈网络足够捕捉量测到状态的非线性映射。不需要上 LSTM 或 GRU——那些带记忆的网络在这个任务上反而容易过拟合，而且训练耗时更长。用前馈网络加滑窗输入，是这一类代码包最常见的方案。

% train_ann_estimator.m % 目的：用两层前馈网络学习量测到状态的映射，完成训练的估计器 % 使用第3.2节生成的 train_data.mat load('train_data.mat'); % 滑窗拼接：以最近5个断面的量测作为输入特征 winLen = 5; nFeat = size(dataX, 2) * winLen; nSamples = size(dataX, 1) - winLen + 1; inputs = zeros(nSamples, nFeat); targets = zeros(nSamples, size(dataY, 2)); for i = 1:nSamples % 将 i 到 i+winLen-1 的量测行向量展开成一个长特征向量 inputs(i, :) = reshape(dataX(i:i+winLen-1, :)', 1, []); targets(i, :) = dataY(i+winLen-1, :); % 目标是最后一个断面的状态 end % 归一化：分别按输入/输出矩阵的每一维计算 min-max 映射到 [-1, 1] [Xn, psX] = mapminmax(inputs', -1, 1); [Tn, psT] = mapminmax(targets', -1, 1); % 搭建两层隐藏层前馈网络，每层32个神经元 net = feedforwardnet([32, 32]); net.layers{1}.transferFcn = 'tansig'; % 隐藏层1激活函数 net.layers{2}.transferFcn = 'tansig'; % 隐藏层2激活函数 net.layers{3}.transferFcn = 'purelin'; % 输出层线性激活，保证输出范围不受限 net.trainFcn = 'trainlm'; % Levenberg-Marquardt，小数据集收敛快 % 训练集/验证集/测试集分割：80% / 10% / 10% net.divideFcn = 'dividerand'; net.divideParam.trainRatio = 0.8; net.divideParam.valRatio = 0.1; net.divideParam.testRatio = 0.1; % 训练参数：迭代上限500，性能目标1e-5 net.trainParam.epochs = 500; net.trainParam.goal = 1e-5; net.trainParam.min_grad = 1e-7; % 训练 [net, tr] = train(net, Xn, Tn); % 保存训练好的网络和归一化参数，供测试脚本复用 save('ann_estimator.mat', 'net', 'psX', 'psT', 'winLen');

逻辑说明：滑窗拼接是动态估计能成立的核心机制。输入特征包含最近 5 个断面的量测，网络便能感知量测的变化趋势，而不是只看到孤立断面。归一化参数 psX、psT 在训练脚本里保存下来，测试阶段必须复用同一组参数，否则测试输入和训练输入的分布不一致，预测结果会完全错乱。trainlm 算法在中等规模数据集（数千样本、几十个输入维度）上收敛速度极快，这是它成为默认选择的原因。但如果数据集过大（比如数万样本），trainlm 的 Jacobian 矩阵计算可能撑爆内存，需要改用 trainscg，这一点在第 5 章展开。

3.4 训练配置与单步估计：训练效果验证的最小流程

训练完成后，要用独立的测试数据做验证。这一步非常容易因为归一化参数错用而翻车。下面给出一个最小可用的单步估计验证脚本。

% test_ann_estimator.m % 目的：加载训练好的网络，在独立测试断面上评估估计误差 load('ann_estimator.mat'); % 网络、归一化参数、窗长 load('test_data.mat'); % 独立生成的测试数据，结构与 train_data 相同 % 构造测试滑窗（与训练脚本相同的拼接方式） nSamples = size(test_dataX, 1) - winLen + 1; inputs = zeros(nSamples, size(test_dataX, 2) * winLen); targets = zeros(nSamples, size(test_dataY, 2)); for i = 1:nSamples inputs(i, :) = reshape(test_dataX(i:i+winLen-1, :)', 1, []); targets(i, :) = test_dataY(i+winLen-1, :); end % 关键：复用训练时保存的 psX 和 psT 做归一化，而不是重新计算 Xn = mapminmax('apply', inputs', psX); Tn = mapminmax('apply', targets', psT); % 前向推理 Y_pred_norm = net(Xn); Y_pred = mapminmax('reverse', Y_pred_norm, psT); Y_true = mapminmax('reverse', Tn, psT); % 计算总体 RMS 误差（电压幅值部分与相角部分分别统计） V_pred = Y_pred(1:14, :); V_true = Y_true(1:14, :); theta_pred = Y_pred(15:end, :); theta_true = Y_true(15:end, :); rms_V = sqrt(mean((V_pred - V_true).^2, 'all')); rms_theta = sqrt(mean((theta_pred - theta_true).^2, 'all')); fprintf('电压幅值 RMS 误差：%.4f p.u.\n', rms_V); fprintf('相角 RMS 误差：%.4f rad\n', rms_theta);

逻辑说明：mapminmax('apply', ...) 的用法是这里最容易搞错的地方。训练时 mapminmax 返回的 psX 里记录了每维输入的 min 和 max，测试时只有用 apply 模式才能保证使用训练集的归一化参数。如果测试时又重新调用一次 [Xn, ps] = mapminmax(inputs')，得到的归一化结果分布会被压缩或拉伸，估计误差会显著偏大，而且这个错误极难肉眼发现。RMS 误差要分电压幅值和相角分别统计，因为两者量纲不同、物理意义不同，合在一起算没有解释价值。

4. 参数该往哪调：网络结构、训练集构造与时窗长度的影响

4.1 隐藏层数与神经元数量：精度和泛化的平衡

神经网络结构参数直接决定估计器的拟合能力和泛化能力。对于电力系统动态状态估计这种输入维度（几十到几百）不算高、但非线性较强的任务，网络结构的选择有一个经验区间。

层数超过 3 层在这个任务上通常没有明显收益。训练数据量有限时，深层网络容易把噪声也学进去，造成在训练集上误差极小、在测试集上误差反弹的过拟合现象。神经元数量的选择可以参考输入维度：输入是 5 个断面的量测拼接时，特征维度可能在几十到上百，这时两层各 32~48 个神经元是安全起点。如果发现训练损失降不下来，先检查数据有没有问题，再考虑加神经元——不要一上来就堆大网络。

4.2 训练集构造：负荷曲线、拓扑变化与坏数据注入的策略

训练集的构造质量决定了估计器在实际工况下的表现。很多复现失败的案例，问题不出在代码，而出在数据没有覆盖真实运行场景。

负荷曲线方面，第 3 章的随机游走模型是最基本的设定，能覆盖正常波动。但实际电网有更丰富的动态模式：负荷趋势性爬升（早高峰）、周期性波动（日内负荷曲线）、突发性阶跃（大负荷投切）。如果训练数据只包含随机游走，测试时遇到阶跃扰动，估计器会表现出明显的跟踪滞后。常见做法是在生成数据时叠加多种负荷模式：在随机游走基础上加入正弦周期性分量和少量阶跃点。

拓扑变化是另一个容易被忽略的维度。IEEE 14 节点系统正常运行时是一个拓扑，但如果训练时只见过这个拓扑，线路上出现 N−1 断线故障时，网络给出的估计值几乎没有参考价值。一个有代表性的做法是：在训练数据中随机选择一部分断面，断开若干条线路后重新做潮流计算，让网络见到不同拓扑下的量测-状态关系。代价是训练集的分布变得复杂，网络需要更多神经元才能拟合。

坏数据注入则是训练鲁棒估计器的直接手段。真实量测中含有通信错误、传感器故障导致的坏数据（bad data），幅度可能达到正常噪声的 5~10 倍。训练集中按 1%~3% 的比例注入坏数据，网络会学会忽略这些离群点的影响，而不是被它们牵着走。这一点对实际部署尤其重要——调度侧的实时数据质量远不如论文里的理想假设。

4.3 评估指标怎么做：RMSE、最大误差与动态跟随性

评估环节最容易出现的偏差是只报一个总体 RMSE，然后就说方案有效。实际上，动态状态估计的评估至少要看三个维度。

第一，总体精度指标：电压幅值和相角的 RMSE / MAE。这是最基础的指标，用于对比不同网络结构或训练策略的效果。第二，最大误差指标：统计所有测试断面中，单个节点状态估计的最大偏差。最大误差决定了估计值是否可能触发保护或告警误动作，工程上这个指标往往比平均误差更关键。第三，动态跟随性指标：这个最容易被忽略。具体做法是把测试数据按时间顺序画成估计值跟踪曲线，观察在负荷阶跃时刻，估计值是否出现明显滞后或超调。一个对平均误差报告好看、但对阶跃响应迟缓的估计器，在工程上是不可接受的。

对比实验方面，建议把 ANN 估计结果与 EKF 或 UKF 做同数据对比。注意要使用相同的量测数据和相同的噪声参数，否则对比没有意义。如果手头没有现成的 EKF 实现，用状态估计领域的标准做法——带随机游走模型的 EKF——作为基线即可。

5. 避坑记录：训练收敛但动态跟踪失效的五个典型现场

5.1 训练损失很低、连续曲线跟踪严重滞后

现象：训练集和测试集的 RMS 误差都很好，Loss 收敛到了很低的水平，但把测试数据按时间序列逐断面做在线估计时，估计曲线明显滞后于真实状态变化，尤其在负荷阶跃时刻滞后可达数十个采样周期。

原因：滑窗输入中，网络可能在“偷懒”——它学到的是输出近似等于最近几个断面量测的平均值。如果训练数据里负荷变化足够缓慢，这个“平均策略”就能把 Loss 压得很低，但它根本没有学到真正的状态转移规律。每次真实状态快速变化时，估计值被输入窗口中的旧量测“拖住”，表现为滞后。训练损失低只能说明网络找到了一个在这个数据集上低误差的映射，不代表这个映射具有因果外推能力。

解决：在训练数据中加入更多突变工况，迫使网络学会快速响应；将滑窗长度从 5 缩短到 3，减少旧量测的拖拽作用；更重要的是，检查验证集是否同样包含突变断面——如果验证集也只是平缓序列，Loss 低就没有意义。我一般会在验证集里专门留 10% 的阶跃断面，单独统计这部分的最大滞后步数。

5.2 坏数据一来估计值直接崩掉

现象：训练时用的是干净量测叠加小高斯噪声，测试时把某个节点的注入功率量测替换成一个偏差达 10 倍标准差的坏数据，结果该断面及之后好几个断面的状态估计值全面偏离真值，甚至发生连锁式错误。

原因：标准前馈网络在 MSE 损失下对离群点极度敏感。一个巨大的误差平方项在反向传播中会占据主导地位，导致网络输出被强行拉向坏数据的方向。

解决：最直接的做法是在训练集中按 1%~3% 比例注入坏数据，让网络在训练阶段就见过这种离群模式。训练完成后的估计器会对小幅坏数据天然免疫，但对于大幅坏数据仍然会受干扰。工程上更稳妥的做法是在 ANN 估计器前端加一个坏数据检测环节：用残差卡方检验或者简单的阈值检测标记可疑量测，在送入网络前先剔除或替换。这个预处理环节在调度侧是标配，不能省。

5.3 换节点系统后误差指数级上升

现象：在 IEEE 14 节点系统上训练好的网络，直接拿去做 IEEE 30 节点的估计，误差大到不可用。甚至在同为 14 节点的另一个算例上测试，精度也明显下降。

原因：网络学习的是特定系统拓扑下的映射关系。IEEE 14 和 IEEE 30 的节点编号、线路参数、负荷水平都不同，网络没有见过这种分布，自然无法外推。这是纯端到端方法最大的边界限制，也是这类代码包最容易让使用者误判适用范围的地方。

解决：先明确一个认知——这个方案训练出来的是一个“系统专用模型”，不是“电网通用模型”。换系统必须重新生成数据、重新训练。如果希望模型具备一定跨系统泛化能力，可以尝试用多个不同系统的数据混合训练，或者使用迁移学习的方法在目标系统上用少量数据微调。后者在 Matlab 中的做法是加载预训练网络，冻结前几层权重，只用新系统的数据训练后几层。

5.4 大训练集下 trainlm 内存溢出

现象：训练样本量从几千扩大到几万，网络结构不变，运行 train 时 Matlab 报内存不足错误，或者训练速度从几十秒变成几十分钟，几乎无法忍受。

原因：Levenberg-Marquardt 算法需要计算和存储 Jacobian 矩阵，其规模近似为“网络参数数量 × 训练样本数量”。当样本量和网络规模同时增长，内存需求和计算复杂度呈超线性增长，这是该算法的已知限制。

解决：当训练样本超过 2 万时，把训练函数从 trainlm 换成 trainscg（缩放共轭梯度法）或 trainrp（弹性反向传播）。trainscg 只需要计算梯度，内存占用与参数数量成正比，训练速度在大数据集上反而更快。切换方式是在训练前设置 net.trainFcn = 'trainscg'。需要留意的是，trainscg 对归一化和学习率更敏感，如果发现收敛不稳定，可以适当增大初始学习率或延长迭代上限。

5.5 归一化参数不一致导致复现翻车

现象：训练阶段的误差曲线很好，测试阶段把同样的测试数据送入网络，第一断面误差还算正常，从第二断面开始误差突然跳跃到不合理量级，而且看不出规律。

原因：测试脚本里没有复用训练时保存的 psX 和 psT，而是对测试数据重新调用 mapminmax。由于测试数据的 min/max 与训练数据不同，归一化后的特征分布被改变，网络输入处于一个从未见过的数值区间，输出自然出错。还有一种类似情况：训练时把幅值和相角所有维度放在一起做全局归一化，导致相角的归一化范围被电压幅值挤压得很窄，测试时反归一化回来的相角普遍偏大或偏小。

解决：第一，严格遵守第 3.4 节的做法——用 mapminmax('apply', data, psX) 复用训练参数。第二，归一化按变量分组进行，电压幅值一组、注入功率一组、相角一组，分别计算 min/max。如果某个代码包给出的归一化是全局做的，建议改成分组模式，相角误差通常能立即改善。这类问题很难调试，我遇到时的第一反应永远是先检查归一化参数有没有被重新计算——这个检查顺序能省下大量时间。

6. 进阶技巧：用滚动递推窗口拧紧动态约束

如果你已经能稳定跑通上面的流程，下一步值得做的是把单步估计改成滚动递推估计。这是一个被低估的好用技巧：在训练时，每个样本都用真实量测作为输入；但在线部署时，某些断面的量测可能延迟到达或者缺失，这时可以用上一时刻的网络输出——估计值——补充到输入窗口里，继续往下推。这种滚动递推策略能让你在低量测更新率下持续给出状态估计，并且能暴露网络在自递归过程中的误差累积行为。

% recursive_estimation.m % 目的：在量测缺失的断面，用上一时刻估计值补充输入窗口继续递推 % 输入：available_Z 为按时间排列的量测矩阵，缺失行用 NaN 占位 load('ann_estimator.mat'); nTime = size(available_Z, 1); histBuffer = zeros(1, size(available_Z, 2) * winLen); % 历史窗口缓存 Y_series = zeros(nTime, 58); % 估计结果存储 for t = 1:nTime if any(isnan(available_Z(t, :))) % 当前断面量测缺失：用上一时刻估计值拼进窗口 z_curr = Y_to_Z(Y_series(t-1, :)); % 状态反算量测（或直接用状态值补充） else z_curr = available_Z(t, :); end % 维护滑窗：移除最旧断面，加入当前断面 histBuffer = [histBuffer(size(available_Z, 2)+1:end), z_curr]; % 归一化 + 前向推理 Xn = mapminmax('apply', histBuffer, psX); Yn = net(Xn); Y_series(t, :) = mapminmax('reverse', Yn, psT); end

这段代码的关键在于一个诚实的问题：当网络用自己的输出作为下一次输入时，误差是否会被放大？答案是会，但放大速度取决于训练数据中是否包含了这种“自递归”模式。所以滚动递推的配套做法是：在训练阶段就模拟量测缺失，把上一时刻网络输出作为当前输入的一部分来训练。这样网络见过自己的“历史误差”，递推稳定性会显著提升。这个流程在论文里常被叫作“闭环训练”（closed-loop training），在工程里就是让网络学着给自己纠偏。

我在做这类任务时的习惯是：先做开环单步验证拿精度基线，再做闭环递推测试看误差累积速度，最后针对缺失率最高的断面形式调整训练数据配比。多跑几轮，网络在动态跟踪上的表现会明显比第一次拿到代码时好。希望帮到你。

本文还有配套的精品资源，点击获取