现代电力系统结构日趋复杂,规模日益扩大,并向高电压、远距离和大容量方向发展,一旦发生事故,影响范围将会迅速扩大。随着可再生能源、分布式电源、智能微电网、需求侧管理等等陆续落地使用,电力系统的预测、控制及高质量运行更加困难。电力系统动态状态估计（Dynamic State Estimation,DSE）和实时态势感知越来越成为电力公司应对新挑战的理论与技术手段选择。新一代向量测量装置（Phasor Measurement Unit,PMU）的普遍应用,可为电力系统的动态状态估计及态势感知提供测量数据支撑。本文以细胞计算网络（Cellular Compu-tation Networks,CCNs）为基础,对电力系统动态状态估计、实时态势感知及结果可视化等问题进行研究,主要研究结果归纳如下:（1）考虑到模型不确定性、量测噪声以及分布式实现等对动态状态估计的影响,提出了以CCNs为基础构建的分布式动态状态预测与估计方法。该方法根据细胞计算网络的特点与优势,在实际电网模型不确定的情况下,以PMU量测值或发电机量测量作为网络的输入,以对应对象元件物理连接和模型为依据,采用分层策略,构建出用于状态预测与估计的细胞计算网络模型;采用优化算法对细胞计算网络的权值进行训练和优化,实现动态状态预测与估计,且预测与估计过程是模型独立和数据驱动的。算例结果表明,所提出方法不仅可用于发电机功角和转速动态状态预测与估计,还可以用于电力系统节点电压和支路有功功率动态状态预测与估计,且具有较高的预测与估计精度。（2）针对量测异常问题,提出了一种基于超前N步状态预测的自适应新息滤波算法。在数据丢失时,使用超前N步的动态状态预测值取代缺失的量测数据;不存在数据丢失时,在预测精度低于设定值的情况下,结合新息获取最佳状态估计。比较结果表明,所提出的基于超前N步状态预测的自适应新息滤波算法在连续数据缺失和预想故障的情况下表现出较高的鲁棒性。（3）针对电力系统动态状态估计在可扩展性和在线实现方面亟待解决的问题,构建一种以回声状态网络为基础的非线性动态状态估计器在线训练和优化策略。通过非线性CCNs动态状态估计理念,基于CCNs分别构造出特定功能的状态预测层和状态滤波层,分别用于节点电压状态预测和潮流状态估计。在每个细胞中引入易于训练的回声状态网络（Echo State Network,ESN）,采用串行训练策略,针对每个ESN单独进行权值优化训练;在预测误差超过误差阈值时,利用线性回归方法更新ESN的输出权值,用于实现细胞计算网络连接权值的在线训练;算例结果表明,本文提出的优化策略可以显著提高动态状态预测与估计的计算速度,可以用于电力系统动态状态估计的在线实现。（4）针对现有电力系统态势感知方法在实时跟踪系统趋势变化时存在的问题,以细胞计算网络为基础,提出了一种考虑暂态和稳态的全面实时态势感知方法。该方法基于发电机功角和转速估计值,引入能量函数进行暂态稳定评估;使用构造的CCNs启发式分层模糊分类器进行稳态安全监测,在分类器构造中,通过语言化的设计将操作者的实际经验转化为可机器实现的规则,进行实时电压/有功功率安全等级分类,并在拟定模糊规则时,采用CNNs启发式规则库来减少规则数以在线实现;在故障分析时,将同心松弛法引入N-1故障排序,针对特定故障只分析受影响的区域,以提高故障排序的速度。（5）基于实时暂态和稳态安全监测结果,给出了一种基于Web语言的估计与预测结果可视化方案。该方案通过高效、实用、易读的图形用户界面设计方式,将电压违规、功率越限、预想故障列表、系统安全警报等结果,进行了实时生动地展示。