随着可持续化发展目标的不断推进,大量分布式能源和电动汽车的并网给配电网调控和可靠性带来诸多挑战。配电网状态估计（distribution system state estimation,DSSE）技术可以让运行人员准确地感知系统的运行状态,为后续优化控制提供数据支撑,具有重要的意义。本文在国家重点研发计划项目《弱互联混合可再生能源系统规划与稳定控制关键技术研究》（2018YFE0127600）的资助下,围绕配电网状态估计展开相关研究,主要研究内容分为三部分。首先,由于缺乏足够的投资和技术支持,实际配电网仅有少量的实时量测装置,为了解决配电网因量测装置不足造成的可观性较差的问题,本文提出了一种基于净负荷预测的伪量测构建方法,该方法以净负荷历史特征和时间信息为输入信息,通过学习输入信息到净负荷之间的映射关系来产生可靠的节点负荷伪量测数据。在澳洲一个新能源微网上的仿真实验表明该方法比其他净负荷预测方法有着更好的预测效果,可以将伪量测误差控制在10%左右。其次,针对实际中很难获取准确的配电网拓扑结构和线路参数而导致传统物理模型DSSE应用受限的问题,本文提出了一种考虑伪量测数据的数据驱动DSSE模型,它结合前文提出的伪量测构建方法,可以在使用少量的支路功率实时量测数据和大量的节点负荷伪量测数据的前提下获得状态估计结果。在IEEE33节点和119节点配电网系统上的仿真实验表明在使用采集与监视控制系统中的海量历史数据训练后,该模型可以在无需系统拓扑结构和线路参数的前提下获得比传统物理模型和其他数据驱动模型更精确的确定性估计结果和更可靠的区间估计结果。最后,实际配电网的拓扑结构会频繁地变化从而导致新拓扑结构未知以及新拓扑下的历史数据较少,为了解决在新拓扑下训练数据不足时数据驱动DSSE难以得到可靠估计结果的问题,本文提出了一种考虑拓扑变换的数据驱动DSSE模型,它通过将其它拓扑下的DSSE和新拓扑下的DSSE构建成多任务学习来找到两种拓扑结构之间的关联性,并利用这种关联性来提升新拓扑下的数据驱动DSSE估计效果。在不同规模配电网系统中的仿真实验证明了所提模型可以在新拓扑只有少量训练数据的前提下得到优异的电压估计结果。