电力系统状态估计是能量管理系统的基础和核心组成部分,对于电力系统经济调度、运行和实时控制起到重要的作用。随着电力系统规模的不断扩大,传统集中式状态估计难以满足对大规模电力系统状态估计实时性和准确性的要求。为了使调度人员能够快速、准确地预测系统未来运行趋势,本文对传统无迹卡尔曼滤波状态估计算法进行改进,提出了一种改进鲁棒无迹卡尔曼滤波状态估计算法,并将其应用于电力系统分区状态估计。为解决传统无迹的卡尔曼滤波比例修正因子取为定值估计性能较差的问题,对无迹卡尔曼滤波算法进行改进,每次估计时对比例修正因子进行修正,提高滤波性能。针对系统中存在的量测粗差,提出一种鲁棒无迹卡尔曼滤波算法,通过引入增强因子来调节量测噪声,从而减小粗差对状态估计结果的影响,降低估计误差。为解决集中式状态估计计算量大、维数高的问题,提高状态估计的实时性,运用细菌群体趋药性优化的谱聚类算法将电网进行分区。最后,在改进鲁棒无迹卡尔曼滤波算法的基础上,对电力系统进行分区状态估计,并对边界节点进行估计融合,提高估计精度。在IEEE30和IEEE118节点测试系统对本文状态估计算法进行验证,并与多个算法的估计结果进行对比分析,证明了本文研究算法具有较好的估计效果,能够适应大规模电力系统,为调度人员提供更实时、准确的估计信息。