状态估计是配网监控调度中心的核心功能。其目的是根据系统网络结构和量测数据来获取配电系统实时准确的运行状态,以便对配电系统的运行进行调控,从而预防安全事故发生,保证系统安全经济运行。当前较为广泛使用的是基于传统加权最小二乘法的静态状态估计,该方法只能反映单个时间断面的系统状态,无法呈现动态多时间断面的数据特征。卡尔曼滤波的出现可以满足动态系统状态估计要求,并在系统运行趋势预测中占有重要地位。本文对配电系统状态估计的基本原理进行介绍,采用改进的卡尔曼滤波算法进行动态建模,其中无迹卡尔曼滤波算法与扩展卡尔曼滤波算法同为一种非线性滤波方法,但在应对高维非线性配电系统时无迹卡尔曼滤波具有更好的滤波效果。在噪声环境下,由于无迹卡尔曼滤波算法对噪声采用固定常数,无法准确反映动态系统噪声,在出现量测粗差时,也无法有效抵抗量测粗差对滤波带来的影响。因此提出了一种新的基于映射统计的自适应抗差无迹卡尔曼滤波算法来改善估计过程中系统的稳定性,通过添加Sage-Husa时变噪声估计器和基于映射统计的抗差估计器,提高了未知噪声情况下系统的适应性以及量测粗差情况下系统的滤波处理性能。为了进一步提高滤波精度,本文还对混合量测进行动态建模,通过曲线拟合保证PMU数据与SCADA数据在采样频率上的同步性,并利用转换模型将两种不同类型的量测数据进行整合,从而提高量测数据的精度。本文在MATLAB环境中对算法进行编程实现,结合IEEE 33节点和PG&E 69节点系统进行仿真测试,其中采用混合量测模型的自适应抗差无迹卡尔曼滤波算法在含有分布式电源的测试系统中取得了较好的滤波效果,验证了该算法的有效性。