状态估计作为能量管理系统的重要组成部分,其结果准确性直接影响调度中心对电网的监控、预测及事故分析。不同于输电网中较为完善的量测体系,配电网中量测装置配置不齐全,一般仅在主要馈线的重要节点配置数据采集与监控（Supervisory Control and Data Acquisition,SCADA）系统的量测装置。因此在传统配电网中,状态估计的实施效果较差。随着配电侧相量测量单元（Phasor Measurement Unit,PMU）的快速发展以及高级量测体系（Advanced Measurement Infrastructure,AMI）的广泛应用,量测数据类型逐渐丰富,为配电网状态估计的发展带来了新的契机。但受限于价格和技术原因,在配电网所有节点配置PMU并不现实,SCADA/PMU/AMI三种量测将在配电网中长期共存。因此,本文研究混合量测环境下的配电网状态估计方法,主要工作内容如下:（1）本文研究了计及SCADA/PMU/AMI的配电网混合量测体系,分析了不同量测设备在量测数据、精度等级、采样周期、量测时延等方面的特性,提出了配电网多时间尺度混合量测数据融合方法;研究了配电网状态估计的可观测性问题,建立了基于加权最小二乘法的配电网混合量测状态估计模型。（2）配电网中实时量测装置配置不足,通常引入伪量测来满足系统的可观测性要求。考虑到实时量测数据可能存在误差,伪量测与真实值之间也有一定的偏差,实时量测和伪量测的不确定性会影响配电网状态估计的准确性。本文提出了配电网状态估计的全局灵敏度分析（Global Sensitivity Analysis,GSA）方法,以辨识影响状态估计精度的关键量测不确定性因素及其位置;利用稀疏多项式混沌展开计算全局灵敏度指标,以提高GSA的计算效率;建立了基于量测不确定性因素重要性排序的量测装置优化布点方法,提高了配电网状态估计的精度;通过和传统方法的比较,验证了所提方法的准确性和高效性,以及在量测装置布点方面的优越性。（3）针对配电网中实时量测不足的问题,本文提出了数据驱动的配电网状态估计方法,包括离线学习和在线状态估计两个阶段;利用配电网中大量的营销数据,提出了基于改进生成对抗网络的节点注入功率样本生成方法,用于离线训练状态估计器;提出了基于深度神经网络的在线状态估计方法,仅需要较少的实时量测就能估计系统状态,相较于引入伪量测的状态估计方法具有更高的估计精度。