1.基于不确定度改进的双因子抗差贝叶斯配电网状态估计方法，其特征在于包括以下步骤：步骤1：搭建包含光伏、风机的配电网系统，作为测试平台；

步骤2：提出不同类型分布式电源在配电网系统中接入不确定度信息并进行建模，得到信息不确定度模型；提出不同量测设备信息不确定度并进行建模，得到量测设备信息不确定度模型；

步骤3：将步骤2中的信息不确定度模型、量测设备信息不确定度模型整合为双因子不确定度模型；

步骤4：采用PMU状态估计混合量测模型输入端作为状态估计输入参数，并在仿真测试时，加入高斯噪声来模拟PMU状态估计混合量测模型输入端的不确定度信息参数引入的随机误差；

步骤5：通过将步骤3中双因子不确定度模型引入抗差贝叶斯估计理论，对贝叶斯估计算法做出改进，通过模型平差以及算法改进，能有效抑制不确定度信息参数对配电网状态估计造成的影响。

2.根据权利要求1所述基于不确定度改进的双因子抗差贝叶斯配电网状态估计方法，其特征在于：所述步骤1中，搭建的配电网系统分别为改进后的含有风机、光伏的IEEE-33节点配电网系统，该配电网系统总有功负荷为90MW，在节点4、6、17、19、21、26处并入6台有功、无功独立可调的光伏发电，功率因数为0.95；节点12、14、25、28、32、处并入5台风力发电机组，功率因数为0.92。

3.根据权利要求1所述基于不确定度改进的双因子抗差贝叶斯配电网状态估计方法，其特征在于：所述步骤1中，搭建的配电网系统，其状态估计所得估计值为每一个节点的电压幅值和相位角。

4.根据权利要求1所述基于不确定度改进的双因子抗差贝叶斯配电网状态估计方法，其特征在于：所述步骤2中，信息不确定度模型如式(1)：pk＝pkm+pΔkuk(1)

式(1)中，pk代指分布式电源接入不确定度，k表示不确定度参数在参数集中的位置，pkm是pk的标称值，p△k为最大偏差，且p△k>0，uk表示引入参数的不确定度，且uk∈[-1,1]。

5.根据权利要求1所述基于不确定度改进的双因子抗差贝叶斯配电网状态估计方法，其特征在于：所述步骤2中，量测设备信息不确定度模型如式(5):zi＝zim+zi△wi(5)

式(5)中，zim是zi的标称值，zi△是最大偏差，wi为不确定度，且wi∈[-1,1]，可以将z表示为：z＝zm+Z△w(6)

式(6)中，zm＝[z1m,…,zMm]T，ZΔ＝diag{z1Δ,…,zMΔ}，其中w＝[w1,…,wM]T表示量测设备信息不确定度向量，且||w||∝≤1。

6.根据权利要求1所述基于不确定度改进的双因子抗差贝叶斯配电网状态估计方法，T T T其特征在于：所述步骤3中，双因子不确定度模型表述为：t＝[w u ]，其残差向量r表示为式(7)：式(7)中，qx＝zm-A0x，Mx＝[zd -Ax]，且Ax＝[A1x A2x … Apx]，不确定度的模值||t||∝≤1。

7.根据权利要求1所述基于不确定度改进的双因子抗差贝叶斯配电网状态估计方法，其特征在于：所述步骤4中，含PMU状态估计混合量测模型输入端数据包含SCADA系统量测数据、PMU量测数据以及伪量测冗余数据三个部分，并在在测试平台仿真时，随机选取的10组量测值数据的基础上，添加4次2％的高斯噪声来模拟输入端分布式电源引入的随机误差。

8.根据权利要求1所述基于不确定度改进的双因子抗差贝叶斯配电网状态估计方法，其特征在于：所述步骤5中，采用的抗差贝叶斯估计理论建立的模型如式(19)所示；

式(19)中，μs表示功率矩阵S的均值，Z表示阻抗矩阵，S表示功率矩阵，∑S表示功率矩阵S的方差，P是根据具体的配电网有向图网络拓扑形成的N阶矩阵；

式(18)中，△Ve和△θe为电压有效值和相位角的差值，△Me表示电压有效值和相位角差值矩阵。

9.根据权利要求1所述基于不确定度改进的双因子抗差贝叶斯配电网状态估计方法，其特征在于：所述步骤5中，基于不确定度改进的双因子抗差贝叶斯估计模型为：式(25)中，μs表示功率矩阵S的均值，Ze表示阻抗矩阵，S表示功率矩阵，∑S表示功率矩阵S的方差，Al为2(L-1)阶的方阵，矩阵Al1中行向量线性无关，Zl为L个配置检测装置节点量测数据的2(L-1)×2N阶的矩阵，△Me表示电压有效值和相位角差值矩阵，tT表示双因子不确定度矩阵。