起初，德布斯等人尝试将电力系统动态模型用于状态估计过程。他们提出了一个简单的状态转移模型，其中状态的变化由高斯噪声来代表。考虑到持续的组成部分，Nishya等人增加了一个负载变化的趋势的因子。这个模型主要的不足是认为该趋势因子是决定性的投入，而在现实中它是随机的性质。为了克服原先提议的动态模型出现的问题，托莱特德席尔瓦等人提出了基于系统状态过渡在线估计的动态模型。这种模式具有更快的动态响应特性和更好的状态预测能力。然而，为了减少计算负担，状态转移矩阵和协方差矩阵都假定为对角矩阵。这意味着，状态变量被假定为独立的。但实际上，母线电压变化取决于负荷变化，而每个负荷的变化影响许多状态变量（总线电压）。

对DSE动态模型的建立更现实的方法是由Mallien等人提出的。他们提出了一个基于母线负荷预测的动态模型。在此方法中，预测步骤是以母线功率注入代替传统的状态过渡模型的基础上进行的。该方法是基于以下事实，即：i）负载实际驱动系统动力学；ii）负载或多或少彼此独立；iii）动态母线负载可以通过简单而准确的负荷预测模型来识别。

扩展卡尔曼滤波理论是为线性系统发展起来的[5]。这就要求电力系统的非线性方程组要模拟成线性扰动（非线性测量函数被忽略）。在某些情况下，如负荷和（或）发电突然改变，非线性测量功能变得非常重要，不能再被忽视。在这种情况下，扩展卡尔曼滤波的性能是相当的不理想[ 6,7 ]。

近年来，很大一部分的研究都集中在人工神经网络（ANN）的领域。其中一个产生了非常广泛兴趣的应用领域是利用人工神经网络的短期负荷预测（STLF）[ 8,9 ]。正如前面讨论的，一个实际可行的对DSE的电力系统动态模型会应当根据母线负载，这要求进行短期母线负荷预测。

本文提出了一种动态状态估计算法，其中包括基于人工神经网络短期负荷预测而获得一个现实的动态模型作为预测的一步。对于滤波步骤，我们提出了一个在直角坐标系上的测量方程和的二阶DSE方案来包括完整的非线性测量功能。提议的DSE算法的特点和性能经过许多测试系统测试确定。测试结果显示，拟议的DSE算法具有突出的特点。