电力系统状态估计是现代电网管理体系中的核心组成部分,在保障电力系统正常运行中发挥了关键作用。状态估计的主要作用在于依据监测设备和建模数据实现对电网实时运行状况的监控,以便调度中心进行下一步分析和控制。当前电力调度中心掌握电力系统的实时运行状态主要是依靠静态状态估计,并不具备预测功能且易受未知时变噪声影响。由于新设备不断接入电网,传统电力信号监测系统采集的数据将呈几何倍数增加,现行的电力系统监测方法和状态估计方法已经无法满足数据存储成本、传输效率及估计准确性的要求。为解决上述问题,研究一种基于压缩感知的电力系统动态状态估计方法。针对呈几何倍数增加的数据量,引入压缩感知理论。针对电力系统的特点进行相应改进,将改进的粒子群智能优化算法引入压缩感知,以该算法代替老式重构算法中最优原子的选取过程,能够在较短时间内完成最优原子的选取,增加重构精度,在对原始信号保持高度压缩、极大降低数据信息量的同时保持采样数据的结构,在误差允许范围内精确地重构原始数据。为解决传统无迹卡尔曼滤波在进行Sigma点比例修正时,自由参数取为定值而影响状态估计精度的问题,使用智能优化算法实现自由参数的优化取值,提高自适应无迹卡尔曼动态状态估计(Adaptive Unscented Kalman Filter,AUKF)的滤波精度。为降低未知时变噪声对系统的影响,引入改进的时变噪声估值器,进一步提高状态估计精度。将压缩感知技术同改进后的动态状态估计方法相结合,得到基于压缩感知的动态状态估计方法。最后,针对不同运行状态进行仿真分析,仿真结果证明本文给出的基于压缩感知的电力系统动态状态估计方法在对测量数据进行高度压缩、降低数据传输和储存设备压力的同时能精确地进行动态状态估计。