《基于PMU/SCADA混合量测的电力系统求积分卡尔曼滤波的状态估计》这篇文章主要探讨了电力系统状态估计中的一个重要问题，即如何提高状态估计的精度和鲁棒性。传统上，电力系统状态估计主要采用扩展卡尔曼滤波（Extended Kalman Filter, EKF），但这种方法存在鲁棒性不足和精度受非线性影响较大的缺点。
文章提出了一种新的算法——求积分卡尔曼滤波（Quadrature Kalman Filter, QKF）。QKF是从统计线性回归的角度出发，利用高斯-厄米特积分点来提升估计精度。这种算法能有效地处理非线性问题，提高了状态估计的准确度。相比于EKF，QKF在处理电力系统这类非线性系统时，其估计精度有显著的提升。
同时，文章还结合了同步相量测量单元（Phasor Measurement Unit, PMU）的数据和SCADA（Supervisory Control And Data Acquisition）系统数据，进行混合量测的状态估计。PMU数据具有高精度和全网实时同步的特性，而SCADA系统则成熟可靠，两者结合能够提供更全面、更准确的信息，进一步优化了状态估计的性能。
通过仿真对比，QKF方法在电力系统状态估计中的表现优于EKF方法，尤其是在系统正常运行和受到扰动的情况下，QKF都能提供更优的估计性能。此外，当系统加入PMU和SCADA的混合量测数据后，状态估计的精确度明显高于仅使用SCADA数据的情况。
综上所述，该研究为电力系统状态估计提供了一个有效且精度更高的方法，即基于PMU/SCADA混合量测的QKF算法。这种技术对于提升电力系统的监测和控制能力，保障电网稳定运行具有重要意义。同时，该研究也为后续在电力系统领域中应用和发展新型滤波算法提供了理论参考和实践指导。
