电力系统状态估计是能量管理系统(EMS)不可或缺的组成部分，是用户分析与控制等应用的数据基础。电力系统混合量测由电力量测数据由监视控制与数据采集系统(SCADA)和相量量测装置(PMU)数据采集系统共同提供。由于PMU逐步安装和很难实现系统状态完全可观等特点，在相当长的一段时间内必然是传统SCADA数据和PMU量测数据并存的状态，因此各电力公司普遍关心如何有效利用混合测量信息进行动态状态估计。本文首先介绍了混合量测下动态状态估计的背景、目的及意义。接着文章分析了电力系统状态估计中常用元器件的数学模型，简单介绍了静态状态估计算法，详细分析了动态状态估计基础算法，并提出了估计性能指标。然后本文分析和比较了广域量测系统(WAMS)和SCADA量测系统特性，详细分析SCADA系统时延特性，对PMU的技术原理、作用以及与SCADA量测区别进行了叙述比较，分析了融合过程中相角和时间匹配等问题。本文接着提出了线性动态状态估计算法。该算法首先对SCADA数据运用快速分解算法进行静态状态估计，估计结果和PMU量测中的电压相量以及支路电流相量的量测转换量共同组成量测数据集，再进行线性动态状态估计。该算法充分利用了PMU量测信息，降低求解阶次，减少内存使用，计算简便。在IEEE14和IEEE30节点系统上的仿真表明此算法具有更好的滤波和预测效果。之后本文提出了混合量测下序贯抗差状态估计算法。该算法首先序贯入同一时间断面上的PMU量测值，然后依次序贯入陆续到来的SCADA量测值。初步融合完成后计算融合代价函数，如果超过设定阀值，则增广量测矩阵形成混合量测集，应用扩展卡尔曼滤波进行抗差状态估计。该算法能提高估计中心的利用率以及估计的实时性和精度，降低量测异常对状态估计的影响。在IEEE14和IEEE30节点系统上的仿真验证了算法的有效性和优越性。最后文章针对电力系统非线性的特性，提出了自适应序贯抗差状态估计算法。该算法利用PMU量测信息，结合自适应原理，观测数据在线辨识系统参数，发挥序贯抗差特性进行动态状态估计。仿真结果表明在系统负荷突变等非线性较强的情况下算法仍表现出良好的估计性能，更适合现代电力系统的发展和需求。