随着经济生活的不断发展,生产、生活用电负荷日益加重。电力系统需要不断调整来适应日益增加的大量负荷,因此造成电网结构越来越复杂。我们需要及时了解电力系统的运行状况,即监控电网各节点电压幅值及其相位。就目前而言,存在两种电力系统测量办法,即数据监控及采集系统(SCADA)和基于相量测量单元(PMU)的广域测量系统(WAMS)。虽然就SCADA而言,WAMS具有很多优点,但是由于技术和成本问题,我们依旧需要SCADA。电力系统状态估计是SCADA重要的组成部分。为了了解整个电力系统的运行状态,我们通常需要使用加权最小二乘电力系统状态估计算法,但是该算法有一定的缺陷,最重要的一个明显缺陷就是大的测量误差数据会造成加权最小二乘状态估计器的估计精度。一般使用的加权最小二乘法权重选择方法不可以有效地解决这个明显的缺陷。目前研究者仅仅对单个大误差测量数据进行了有效的识别以及剔除,但是当大误差数据数量较多的时候,这些现有的大误差数据识别算法将不会有效地工作。本文工作主要包括:第二章,对几种传统加权最小二乘状态估计算法以及大误差数据识别算法进行详细介绍。并通过仿真来验证加权最小二乘状态估计以及大误差数据识别算法的可行性,并给出这些算法存在的局限性。第三章,提出了一种实时权重调整的加权最小二乘电力系统状态估计算法。该算法分为两层。第一层,算法利用逆阵作为基础加权最小二乘法状态估计算法的权重,进而对整个电力系统进行估计,从而我们可以得到每个测量数据的计算估计值;对于第二层,提出的算法使用第一层计算获得的测量数据的计算值来重新和实际的测量数据进行对比,从而计算出新的权重值,进而进行第二次电力系统状态估计的计算。提出的算法得益于“小误差大增益,大误差小增益”的实践工程特性的思路,在有效地规避大误差对状态估计器带来精度影响的同时,尽可能地使用较好的数据来提高电力系统状态估计器的估计精度。第三章提出的实时权重电力系统状态估计算法,该算法应对较多大误差数据时性能良好。但是不能解决由于计算雅可比矩阵带来的计算内存问题。因此,第四章提出了一种并行自适应神经网络方法。该方法具有两层结构、并行处理的特点。右侧人工神经网络采用固定、较大步长的最小均方(LMS)算法来对权重经行调整,使得收敛速度加快。另一方面,左侧人工神经网络采用可变步长来实现最小稳态误差。在IEEE 30节点网络上验证了该方法的可行性,并与粒子群算法(PSO)以及单个自适应神经网络的仿真结果进行比较。仿真结果表明,并行自适应神经网络算法具有较快的收敛速度,而且估计精度比PSO和单个自适应网络较好。同时并行自适应神经网络解决了加权最小二乘法状态估计消耗较多内存资源的问题。