目前,随着电力系统省地一体化、输配一体化的发展和分布式能源大规模的接入,电力系统分析的维度越来越高,传统的计算方法难以满足未来实时计算的要求。状态估计作为现代能量管理系统(Energy Management System,EMS)中最基础和重要的一个环节,必须保证其实时性。因此,本文立足于现代图形处理器(Graphic Processing Unit,GPU)并行加速技术,研究大规模电力系统的高性能状态估计方法。首先,本文简要介绍了不良数据辨识和状态估计技术的研究背景和研究现状,并介绍了GPU通用计算架构的特点,说明了课题研究的基本概要。随后,基于最大正常测点率(Maximum Normal Measurement Rate,MNMR)理论,提出了一种采用GPU并行加速的不良数据辨识方法,并设计了算法粗细粒度的并行加速策略,为后续的状态估计提供了良好的数据支撑。然后,针对潮流计算和状态估计中需要大规模计算表达式的特点,提出了基于最优表达式森林(Optimal Parallel Expression Forest,OPEF)的表达式并行计算方法,详细阐述了表达式森林(Expression Forest,EF)理论中的定义、生成和异构计算等环节,完整介绍了整个理论体系。最后,在采用牛顿法进行基本加权最小二乘(Weighted Least Squares,WLS)状态估计的基础上,从求解步骤中提炼出迭代的主要耗时成分,针对各个阶段分别设计GPU并行加速策略,实现了多阶段并行加速的WLS状态估计。算例结果表明,所提算法各个阶段均可采用GPU并行加速,加速后的算法计算时间短,加速效率高,能够满足实际运行需求。算法的内存和显存占用峰值较小,在普通的PC机上即可进行计算。