近年来,特高压交直流混联大电网的快速发展要求电力调度系统的网络分析应用具备全网统一分析的能力。电力系统状态估计作为在线分析应用的基础,传统的串行计算模式在全网统一分析背景下存在通信负担过重、计算量过大的问题,难以满足电力调度系统实时性的要求,因而开发面向全网、计算速度快、数值稳定性好、能够有效缩短执行周期的状态估计算法具有重要的研究价值。本文通过图形处理器(Graphics Processing Unit,GPU)对状态估计算法进行并行加速,具体研究内容如下:首先,研究了状态估计的数学模型、基本加权最小二乘法求解状态估计的原理和算法的整体流程,对加权最小二乘法包含的复杂计算任务进行了详细分析。其次,根据CPU+GPU异构平台的计算模型,提出了基于GPU加速的状态估计并行算法的总体流程,研究了混合架构中CPU和GPU的任务分配策略,对CPU流程控制、GPU并行化方案和数据传输等进行了优化设计。进一步,对量测雅克比矩阵生成、信息矩阵求解过程及其包含的大型稀疏矩阵相乘算法、稀疏线性方程组的并行LU分解算法以及三角方程的前推回代等GPU内核函数进行了详细设计。通过内存合并访问、细粒度并行度挖掘等优化策略,GPU端生成9241节点电力系统的量测雅克比矩阵只需0.45ms,信息矩阵中大型稀疏矩阵乘以其转置的内核函数相对于CUDA库函数最高达到了3.9倍的加速。设计了基于多米诺技术优化的用于求解稀疏线性方程组的并行LU分解法,9241节点的电力系统GPU端求解稀疏线性方程组只需59ms。最后,基于K40C GPU计算卡通过5个不同规模的电力系统算例对上述GPU加速的状态估计算法进行了性能测试。结果表明本文提出的并行算法可将9241节点电力系统的状态估计时间控制在1s以内,相对于CPU串行算法取得了良好的加速效果。