大量分布式电源(Distributed Generation,DG)的接入,改变了传统配电网单向辐射型的网架结构,使得配电网朝着主动配电网(Active DistributiOn Net,ADN)的方向发展。高渗透率DG的间歇性发电,使得AND的状态估计需要更多的考虑DG的不确定性,而利用传统的配网状态估计(Distribution State Estimation,DSE)方法所得的结果已经不能满足实际运行调度的要求。因此,如何对DG出力的不确定性进行合理建模、从而提高ADN状态估计的精度成为一个急需解决的问题。针对这一问题,本文主要从以下几个方面开展研究:首先,对DSE的数学模型做了描述,其中包括配电网量测系统的数学描述以及配电网网络参数的数学描述;接着介绍了基于加权最小二乘法(Weighted Least Square Method,WLS)的状态估计器的相关理论;最后叙述了基于节点电压法的DSE的量测函数以及其迭代过程中雅阁比矩阵内的各相关元素,为区间状态估计提供了理论基础。其次,针对分布式光伏和风电出力不确定性的问题,分别介绍了影响光伏和风机出力的相关因素,提出了利用极限学习机(Extreme Learning Machine,ELM)理论分别建立光伏和风机的区间出力预测模型,通过算例验证了该方法的可行性,为状态估计提供了伪量测量数据。同时,提出了一种考虑风机和光伏出力随机性的主动配电网的区间状态估计方法。先利用区间数对配电网中的不确定量进行描述,将ELM预测的光伏和风机的区间出力作为伪量测量,建立了ADN区间状态估计模型,基于粒子群算法(Particle Swarm Optimization,PSO)对ADN进行状态估计。最后,通过IEEE-33配电网进行算例验证,结果表明:配电网中接入DG后,系统中各个节点处的电压幅值和相角相较于接入DG前都有一定程度的提高;采用PSO算法得到的状态估计结果比传统的加权最小二乘法(WLS)精度更高;采用区间数对风电和光伏出力的随机性进行描述后,所求得的估计结果也呈现区间形式,该区间可以提供更为直观的配电网状态量的上下界信息。