电力系统状态估计是能量管理系统(EMS)不可或缺的组成部分。电力系统调度中心所用的数据主要来源于数据采集与监控系统(SCADA)和相量量测装置(PMU)。电力系统状态估计利用量测信息的冗余度,估计出电力系统中电压幅值和相角,辨别并剔除随机干扰所引起的误差,从而得到系统运行状态的估计值,实现对系统当前运行状态的安全监控,在现代电力系统中发挥着重要的作用。扩展卡尔曼滤波(EKF)与无迹卡尔曼滤波(UKF)是电力系统动态状态估计中使用较为广泛的方法。本文对两种方法进行研究分析,提出了自适应扩展卡尔曼滤波方法与鲁棒无迹卡尔曼滤波方法。本文主要工作如下:1.分别介绍SCADA系统于PMU系统的结构与数据量测方式,对两者分析对比,并指出状态估计中的数据误差来源。2.自适应扩展卡尔曼滤波算法。基本思路:为了有效的解决了因历史数据或滤波历史值量测过大产生的预测估计值不准导致的滤波效果下降的问题,先使数据通过自适应滤波器滤波,对数据进行修正,使两参数指数平滑法能得到更优的平滑结果,提高了 EKF预测模块的估计能力。在MATLAB/Simulink平台,将该算法在某实际85节点的电力系统上进行仿真测试,实验结果表明本方法比EKF具有更好的性能。3.鲁棒无迹卡尔曼滤波算法。基本思路:在使用UKF进行滤波之前,采用基于运行模式的不良数据辨识方法,基于负荷的变化规律识别出不良数据,并生成伪量测量进行代替。其优点是滤波结果不收残差相关性影响,避免了残差淹没或残差污染现象。随后在MATLAB/Simulink平台,将该算法在IEEE-33节点系统与某实际107节点系统进行仿真实验,实验结果证实,在存在不良数据的情况下,本算法与UKF相比,估计结果更加贴近真值,且更为稳定。能识别出不良数据并进行替换,具有良好的鲁棒性。