状态估计是电网数据采集与监控系统的重要组成部分,承担为电网其他分析提供数据的任务。随着智能电网建设的快速推进,智能量测装置之间彼此互联更紧密,量测系统产生数据量呈指数增长,电力系统状态估计面临新的挑战。面对大量量测数据时,串行状态估计算法迭代求解耗时过长,无法满足电力系统实时状态估计的需求;智能装置互联增加导致量测量更容易受到不法分子攻击,传统串行不良数据检测方法计算缓慢,且不能检测欺诈性数据注入攻击。串行算法并行化虽然能够加快处理量测量的速度,但其需要大规模计算集群的支持,并且不能避免耗时的迭代计算。集群的使用也会产生高额的能耗及维护费用,使并行算法的能效性降低。为快速、低能耗执行智能电网状态估计,本文分析并抓住了欺诈性数据检测和状态估计求解可以通过神经网络实现的特征:基于低秩矩阵恢复的欺诈性数据检测算法可以转换为凸优化问题,通过交替迭代求得分解矩阵;基于加权最小二乘法的状态估计算法,使用最小二乘迭代拟合求解电网状态向量。本文使用神经网络分别完成了凸优化求解和最小二乘拟合。离线对神经网络进行搭建和训练,实际计算时将原算法中耗时耗能的迭代计算替换为一遍神经网络前向计算,从而大大加快计算速度。由于神经网络的前向计算所需时间很短,即使处理大规模电网,本文提出的方法仍可在单机平台上运行,从而避免使用大规模计算集群所需的能耗。实验结果表明,本文提出的基于神经网络的欺诈性数据防御算法与文献算法相比,检测准确度更高,数据修复速度更快;本文提出的基于神经网络的状态估计算法与串行状态估计算法相比,计算速度提升了约205倍,与20节点的集群相比计算速度提升了约17.4倍,能耗约为1/193。