状态估计是电力系统进行潮流计算、故障诊断、电能质量分析和运行调度的基础。电力系统状态估计通过对获取的量测数据滤波处理,消除量测数据中的噪声干扰,从而为电力系统安全稳定可靠运行提供准确的数据支持,是能量管理系统(EMS)中不可或缺的核心环节。考虑到当前电力系统的量测数据主要由数据采集与监视控制系统(SCADA)和广域量测系统(WAMS)提供,以及传统的状态估计方法在噪声分布为非高斯时估计精度难以令人满意。因此,本文将主要研究SCADA/WAMS混合量测下基于自适应扩展集员滤波(AESMF)的电力系统状态估计。首先,本文对电力系统的输电线路、变压器、电力网络等电力设备作等值化简,给出了电力系统等值计算模型,建立了电力系统动态状态估计的数学模型。同时,对加权最小二乘法(WLS)和扩展卡尔曼滤波(EKF)算法这两种在电力系统状态估计中最为常用的滤波算法进行简单介绍,又着重叙述了集员滤波(SMF)算法的基本原理和流程。接着针对这几种算法的特点给出了总结和比较。然后,针对SCADA/WAMS混合量测数据差异问题,提出了两种兼容性处理方法。对于数据成分差异问题,提出两阶段混合模型,一阶段估计SCADA量测数据,二阶段估计融合后的WAMS数据与一阶段估计结果。对于数据更新频率不一致问题,利用数值分析中的插值法及曲线拟合思想,先对SCADA短期历史数据进行插值以获得更小的时间区间,再利用曲线拟合来拟合这些离散数据,填补了 WAMS数据空缺。其次,本文提供了一种考虑N-1准则的整数规划PMU配置优化方法,在满足电力系统可观性的条件下具有良好的数据冗余度。最后,针对常规状态估计算法对非高斯白噪声适应性差的情况以及集员滤波算法在电力系统状态估计中的应用实际,结合自适应算法的思想理论,提出自适应扩展集员滤波算法。通过引入自适应程序,可以对量测数据进行自适应预处理,能够降低迭代发散的可能性,提高滤波算法的估计精度。仿真结果表明,自适应扩展集员滤波算法能够减小估计误差,缩短估计时间,具有优良的估计性能。