动态状态估计作为监测系统动态变化的有效手段,对电力系统的稳定运行具有重要的意义。近年来随着相量测量装置（Phasor Measurement Unit,PMU）的部署与广域测量系统的建立,动态状态估计得到了广泛的关注和研究。然而在实际应用中PMU采集和传输的数据易受时变的量测噪声和离群值影响导致数据异常。这种异常数据对状态估计的结果有着严重干扰,甚至会使状态估计结果产生较大的偏差从而误导调度人员做出错误操作引发电网运行事故。此外,实际的同步发电机和控制器模型存在不同的条件约束,忽略约束条件会引起估计结果超出真实的变化范围从而产生较大的估计偏差。针对上述问题,本文将研究新型鲁棒无迹卡尔曼滤波（Unscented Kalman Filter,UKF）方法,并应用其实现非高斯噪声干扰下电力系统的稳健动态状态估计。主要研究内容如下:1.根据同步发电机模型和控制模型建立基于PMU采集数据的动态状态估计模型。以实际PMU采集电压数据验证了测量数据服从非高斯分布。并且以无迹卡尔曼滤波为目标方法在新英格兰16机68节点网络中分析不同模型的构建与测量变量的组合对状态估计性能的影响。2.为解决测量数据含有复杂非高斯噪声和异常值的问题,本文研究基于扩展核风险敏感损失函数（Extend Kernel Risk Sensitive Loss,EKRSL）的 UKF（EKRSL-UKF）来提升动态状态估计的估计精度和鲁棒性。并在代价函数中引入正则化项避免了算法计算过程中数值不稳定问题。针对未知统计分布的非高斯噪声和不良数据,通过引入调整算法信息矩阵的误差指数函数来削减未知分布噪声对算法估计精度的影响。仿真结果表明本文提出的鲁棒动态状态估计算法能有效抑制非高斯噪声和未知统计分布噪声带了的影响。3.在电力系统发生较大波动时,忽略同步发电机和控制器的约束条件可能引起估计结果异常和弱观测模型下算法不收敛。针对这一问题,首先建立系统的等式与不等式约束条件,并将其引入到前述所研究的EKRSL-UKF方法,从而实现了约束EKRSL-UKF算法以进一步提高估计精度;然后为提高算法的追踪性能,在约束的EKRSL-UKF方法中引入自适应核宽度机制来动态更新算法的核宽度参数。最后经仿真验证约束条件和自适应核宽度机制的引入能有效提升算法估计精度和追踪速度。