智能电网的建设要求调度中心能够快速准确感知电网状态并判断发展趋势,电力系统状态估计是实现上述要求的关键性技术。以加权最小二乘法为代表的静态估计在电力系统中被广泛应用,但是这类方法计算周期长、对量测数据完整性要求高。动态估计方法能克服上述缺点,并预报电网下一时刻状态变化,因此更符合智能电网对感知实时性的要求。但是电力系统动态估计在实际应用中存在动态模型简化、量测数据异构、不良数据辨识等问题。为解决上述问题,本文在静态估计算法、动态估计模型和动态估计算法三个方面进行了研究,提出基于量测不确定度的电力系统动态估计方法。在静态估计算法方面,首先介绍了基于量测不确定度的测点正常率最大静态估计方法,并给出以测点正常率作为随机变量的最大似然方法抗差性能更好的统计解释;重点分析测量误差、估计误差、残差和量测不确定度的差异;然后提出一种余弦函数形式的测点评价函数。在动态估计模型方面,提出一种基于渐消记忆法的递推扩展参数模型,采用对角阵简化状态转移函数,并使用递推最小二乘方法在线辨识更新,引入遗忘因子对电网状态的动态变化进行跟踪;提出在异构量测数据情况下的时变量测模型,根据当前时刻量测数据类型和数量建立对应的量测方程,讨论了由于矩阵维度变化导致的矩阵运算维度一致性问题,并基于最大后验估计准则推导了其计算公式。在动态估计算法方面,利用上述模型结合无迹卡尔曼滤波方法构建动态估计框架,按照无迹变换原理选择适合电力系统的采样策略;最后提出具有较强抗差性能的动态估计更新步骤,当新息向量出现异常,通过基于量测不确定度的静态估计辨识出不良数据,再利用更新因子矩阵修正滤波增益,抑制不良数据在更新步骤的影响。仿真算例体现了本文方法具有较高的估计准确性和良好的抗差性能。