电力系统状态估计是电力系统调度、控制、安全评估等方面的基础,也是能量管理系统的核心组成部分。随着电网结构和运行方式的日趋复杂,现代化的电力系统要求能迅速、准确、全面地掌握全网的实际运行状况,预测和分析系统的运行趋势,对运行中发生的各种问题提出对策。状态估计分为静态状态估计和动态状态估计两个方向,针对不同的功能要求和应用范围它们各具优势。因此,本文在静态状态估计和动态状态估计这两个方面分别展开研究,主要研究重点如下:①静态状态估计1)对静态状态估计中已有的定参数最小二乘支持向量机回归估计模型进行深入研究,在继承原模型优势的基础之上,加入了参数优化的内容,本文提出一种基于变参数最小二乘支持向量机的状态估计方法,采用以均方误差最小化为准则的两层网格搜索寻优方法,对决定着模型学习能力优劣的相关参数进行优化选择,来保证状态估计模型结构风险的最小及训练所用样本分布特性的合理,从而提高状态估计结果的精度。2)为抑制样本中多个量测坏数据的出现对估计结果的影响,根据样本在回归估计模型中拟合误差的大小,提出一种鲁棒优化方法对反映样本分布特性的核参数进行二次调整,形成了基于最小二乘支持向量机的鲁棒回归估计模型,从而使模型对不良数据更为免疫,增强了状态估计模型的鲁棒性。②动态状态估计针对动态状态估计中传统的扩展卡尔曼滤波类算法在处理电力系统不正常事件时跟踪能力弱、鲁棒性差的特点,提出一种基于无迹变换理论的自适应卡尔曼滤波方法对电力系统的状态进行动态估计,避免了线性化误差的引入,而且在估计过程中不间断地对噪声的统计特性进行同步辨识与修正,使得该方法与传统方法相比有着更高的估值精度和稳定性。依托Matlab平台对本文提出的方法进行编程,并在IEEE14、IEEE30、IEEE57三个标准输电系统中进行仿真测试,通过对测试结果的对比分析,验证了所提方法的切实可行和相关程序的正确有效。