配电网运行情况日益复杂,状态估计结果的精确性是配电网安全稳定运行的重要保障。当前配电网中开始配置相量量测单元(Phasor Measurement Unit,PMU),这为配电网状态估计提供了数据基础。但由于经济性和技术改造复杂性的限制,短期内无法实现配电网PMU的全覆盖升级,所以在未来较长一段时间内,PMU 量测与数据采集与监控系统(Supervisory Control and Data Acquisition,SCADA)量测将共同构成配电网状态估计的可靠数据来源。因此研究基于PMU/SCADA混合量测数据的配电网状态估计方法具有重要意义。近年来,由于相比静态状态估计更符合电力系统的动态变化特性且无需迭代,动态状态估计方法成为当前的研究热点,最常用方法为基于无迹卡尔曼滤波器(Unscented Kalman Filter,UKF)的动态状态估计。但目前基于UKF的动态状态估计方法可能会受未知且时变的过程噪声影响而出现滤波性能下降甚至滤波发散的问题。因此本文提出了一种基于改进鲁棒自适应无迹卡尔曼滤波器(Improved Robust Adaptive Unscented Kalman Filter,IRAUKF)的配电网动态状态估计方法。IRAUKF利用一个有偏的和一个无偏的估值器共同构成噪声参数统计估值器,可以在状态估计过程中实时估计过程噪声统计参数,在保证算法鲁棒性的基础上,减少校正信息的丢失,增强了在动态状态估计中对时变的过程噪声参数的适应能力。此外,基于IRAUKF提出了一种不同时间尺度量测信息的融合估计策略,可以在PMU采样时刻对系统状态进行更新,从而利用PMU的高频采样特性掌握系统最新状态。仿真结果表明本文所提方法能有效解决过程噪声参数不准确的问题并在PMU采样时刻对系统状态进行精确更新。线路参数作为状态估计器的输入,是构建量测方程的必要信息,线路参数误差将会对状态估计精度带来长期的负面影响,因此辨识和修正错误参数对状态估计具有重要意义。本文建立了一种基于IRAUKF增广动态状态估计的错误线路参数滚动修正方法,利用动态状态估计结果求取线路潮流量测的正则化残差,以多个时刻正则化残差平均值作为依据进行错误参数辨识。然后,将辨识得到的错误参数作为状态变量建立增广状态空间模型,并针对单量测断面量测冗余度不足的问题建立多量测断面的增广状态空间模型,利用IRAUKF能够实时估计参数变量过程噪声统计参数的优点,实现错误参数的滚动修正。仿真表明该方法对于单支路与多支路参数错误均能进行准确辨识并精确估计。为适应某些场景下系统状态的迅速变化,需要对系统状态进行快速计算。本文在调度中心已积累丰富运行数据的前提下,通过自编码器(Autoencoder,AE)和极限学习机(Extreme Learning Machine,ELM)提出了一种基于AE-ELM伪量测建模的快速状态估计方法。该方法首先将SCADA注入功率量测通过自编码器获得降维特征数据,并将其作为极限学习机的输入,电压实部和虚部作为输出,通过历史数据训练获得伪量测模型;然后将伪量测与PMU实时量测一起进行快速线性状态估计获得最终的状态估计结果。仿真结果表明,该方法能够在保证状态估计精度的基础上提高计算效率,满足快速状态估计需求。