1.一种基于APSO-BP的配电网状态估计方法，其特征在于，包括下列步骤：S1：配电网状态数据的调用；S2：建立时序关联数据模型；S3：构建APSO-BP网络模型；S4：输出配电网状态估计结果；所述步骤S2中，采用多元线性回归模型建立历史数据与实时量测数据的时序关联数据模型；将历史状态信息和实时量测信息作为历史数据模型的自变量，任一节点i的电压幅值或者相角作为因变量，通过最大相关度分析方法提取了T个历史运行信息，节点i连接了M个功率量测信息，时序关联数据模型，所述时序关联数据模型采用下列公式：其中，U ik , 分别为k时刻节点i的电压幅值和相角伪量测；Z (k) iM 为k时刻与该节点相关联的M个功率量测信息,a i ＝[a i0 ,a i1 ,...,a i,T+M ]为节点i电压幅值的历史数据模型参数；β i ＝[β i0 ,β i1 ,...,β i,T+M ]为节点i的电压相角历史数据模型参数。
2.根据权利要求1所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述的步骤S1中，配电网状态数据包括配电网历史数据以及配电网实时量测数据，分别从历史数据库中获取的配电网运行信息和线路潮流量测信息以及从实时量测数据库中获取的支路功率量测数据信息，建立伪量测模型，所述的伪量测模型由下式表示：y＝w 0 +w 1 x 1 +w 2 x 2 +...+w p x p +ε式中y为因变量；w 0 ,w 1 ,...,w p 为模型的未知线性回归系数；x 1 ,x 2 ,...,x n 为自变量；ε为对应的模型误差。
3.根据权利要求1所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述时序关联数据模型还包括有采用递归最小二乘法对实时历史数据和实时量测数据之间的关联系数的修正，获得准确度较高的电网实时运行状态伪量测，递归最小二乘法是利用n-1时刻获得的滤波器参数，依据新到达的数据自动调节n时刻的参数，使得代价函数达到最小，从而实现参数的最优估计。
4.根据权利要求3所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述的代价函数用下式表示：其中，λ n-i 为遗忘因子；e i 为i时刻的期望响应误差；X(i)为自变量，w(i)为权向量；y i 为因变量。
5.根据权利要求1所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述步骤S3包括如下步骤：S31；构建BP神经网络模型，初始化BP神经网络模型基本参数，准备好历史数据和伪量测代价函数数据；S32：设计粒子结构编码和维度，并初始化APSO算法参数；S33：计算当前粒子的适应度值，并按照适应度大小排序，更新粒子自身的历史最优适应度和全局最优适应度；S34：根据粒子自身最优适应度和全局最优适应度，更新粒子速度和位置；S35：判断寻优过程是否结束，如果未结束，则返回步骤S32继续执行，否则停止寻优，存储全局最优结果；S36：将全局最优的权值和阈值代入BP模型中，输入历史数据进行状态估计，从而得到状态估计结果。
6.根据权利要求5所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述的BP神经网络模型包含输入层、隐含层和输出层多层结构，设输入层有n个神经元，输出层有m个神经元，隐含层输出如下式所示：式中，l为隐含层节点数，f为隐含层激励函数，w ij 为连接权值，a为隐含层阈值；由隐含层的输出H，连接权值w jk 和输出层阈值b，经上式计算算得输出层的输出如下式所示：
7.根据权利要求6所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，将BP神经网络输出的均方误差作为当前粒子适应度值，计算公式如下：式中，N为训练样本数量，m为输出神经元个数，O ki ，Y ki 分别为第i个样本的第k个网络期望输出和预测输出。
8.根据权利要求5所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述的APSO算法采用如下公式表示： 其中，w max ，w min 分别表示w的最大值和最小值，w为权向量，f表示微粒当前的目标函数值，f avg 和f min 分别表示当前所有微粒的平均目标值和最小目标值。
