配电网状态估计是配电管理系统的重要组成部分,其估计精度和运行速度对于配电网的电力调度和安全事故分析等功能有着极为重要的影响。动态状态估计不仅能够准确估计配电网的运行状态,还能够预知系统未来时刻的状态,这种先验信息有利于调度人员提前安排调度计划和进行系统事故分析。因此,动态状态估计的研究具有很好的实用价值。随着配电网的不断发展,其复杂的网络结构导致传统的集中式状态估计出现了一些问题,难以满足调度中心监控的需求,因此国内外学者开始关注和研究分布式状态估计。本文从以AMI全量测点作为边界节点,将配电网划分为互相解耦的子区域系统问题着手,对数据融合问题及子区域动态状态估计算法做出了深入研究。主要研究工作如下:首先,本文分析研究了动态状态估计问题的模型。理解了扩展卡尔曼滤波和无迹卡尔曼滤波的基本原理,分析了两种算法对非线性系统的不同处理方法,并对两种算法的性能差异进行了探讨,并通过MATLAB仿真来验证算法性能。其次,在研究配电网的分区方法时以AMI全量测点作为分区的边界节点,提出了综合三种指标的目标函数,充分考虑子区域电气联系的紧密性和状态估计精度的均衡性,来提高整体计算速度。接着研究求解目标函数的方法,将多目标优化分区问题转为单目标求极值的问题,利用遗传算法来求解分区问题,进行了纵向横向对比实验,并在后面进行了子区域动态状态估计仿真验证。最后,在对配电网分区之后,针对多尺度数据共存问题提出了一种数据融合框架,利用线性静态状态估计来跟随系统的运行状态,对量测周期较长的AMI数据进行补充,进行量测数据融合处理。接着研究子区域的状态估计算法,提出了对于集合卡尔曼滤波方法滤波发散问题的改进,通过添加初始扰动和协方差膨胀来保持集合成员的离散度,并通过仿真实验验证算法性能。