状态估计是能量管理系统的重要组成部分,它为系统提供了完整可靠的系统状态数据和信息。其中动态状态估计是本文研究的重点。本文将机器学习领域一些新方法引入到动态状态估计模型中解决了传统模型推广能力差,由于量测数据维数高导致的运算量大等问题,提高了预测精度,降低了预测的空间和时间复杂度,提高了预测结果的可用性。论文将基于核方法的KPCA算法和流形学习(Manifold Learning)中的LLE方法引入到状态估计器中,通过对数据的非线性降维处理提取出能反映样本特征的主要数据,在预测精度几乎不变甚至略有提高的情况下也直接减少了SVM和KMPLM方法的训练与预测时间；然后在支持向量机状态估计器的基础上,设计引入了基于KMPLM方法的改进模型,并且通过大量的实验证明了这两种方法的有效性,在系统状态的预测精度、系统模型的训练时间、系统状态量的预测时间等方面都有较好的表现。