随着电力系统规模的不断扩大与区域电网的不断互联,分布式状态估计(Distributed State Estimation,DSE)因能够将求解大维数电力系统状态估计问题转化为求解一系列较小维数状态估计问题,实现并行计算,而受到了广泛应用。传统分布式状态估计的研究对象是多区域互联系统,并以每个行政区域作为一个分区,对于不可观的子系统,即便根据已知量测能够计算出部分节点状态,此区域也不能独立进行状态估计;并且传统的分布式状态估计更多的将研究重点放在了区域间如何协调的问题上,对于不良数据的辨识环节相对薄弱,且已有方法很难克服残差污染与残差淹没现象。本文主要针对上述两个问题,对求解最大可观集算法与辨识不良数据方法两方面进行了研究,具体研究内容如下:首先,提出一种能够求解全部可观支路与可观节点数据信息的系数矩阵法,即求解最大可观集的算法。将可观的概念具体到每个节点与每条支路上。在此集合的基础上,提出节点关联度的概念,并结合证据融合理论,给出一种有利于克服残差污染与残差淹没现象的分区方案,从而将研究对象由整个电力系统转化为传统分布式状态估计的一个分区。其次,建立分区状态估计的计算模型以及基于黑板模型的多代理系统框架,并在此基础上针对分区状态估计对于不良数据的辨识效果相对薄弱这一问题,提出了基于量测间线性关系的、能够克服残差污染与残差淹没现象的不良数据辨识方法。最后,提出一种基于负荷预测与关联规则修正的不良数据辨识方法。该方法首先给出一种针对大数据的存储方法,通过回归分析法对节点注入功率进行预测,然后建立基于灰色关联分析的相关性分析模型,寻找对气温变化敏感的节点注入功率,进而结合关联规则与特殊断面修正技术,完成对注入功率的辨识。在此基础上,通过基尔霍夫定律与残差辨识法完成对支路潮流数据的辨识工作。