随着我国大规模交直流互联电网的快速发展,电力系统的实时监测控制需求明显。同步相量测量单元（Phasor measurement unit,PMU）因其同步性和快速性对电网态势感知与安全控制至关重要。然而,复杂的现场环境、硬件故障和算法缺陷等因素可能导致PMU出现连续坏数据,严重制约了 PMU的应用,甚至可能导致错误的控制命令。因此,论文开展了 PMU连续坏数据识别和修正方法研究,为提高PMU数据质量提供支撑。论文主要工作和创新点如下:针对连续坏数据时域连续性强、难以与真实扰动数据区分的问题,分析了大量PMU实测数据,揭示了扰动数据空间相似性强、连续坏数据空间相似性弱的特性;利用该特性,提出了基于动态时间规整（Dynamic Time Warping,DTW）的空间相似性度量方法,提取PMU数据空间相似性特征,并将其表征为每台PMU的局部离群因子（Local outlier factor,LOF）;进一步,提出了基于箱线图的LOF阈值自适应设定方法,可在实际不同扰动条件下实现连续坏数据的准确识别,同时保证对真实扰动数据不会误判。针对扰动过程中因真实相量连续时变而导致坏数据难以准确修正的问题,提出了基于相关系数的数据选取方法,可选取相关性强的PMU量测相量构成时空关联矩阵作为输入数据矩阵,避免了人为选择邻近PMU的主观性;进一步,提出了基于生成对抗插补网络（Generative adversarial imputation network,GAIN）模型的修正方法,通过引入提示机制和生成器与判别器博弈,可无监督学习到接近真实数据的分布规律,从而在实际电力系统扰动量测数据和扰动类型均有限的条件下,实现扰动过程中坏数据的高精度修正。针对短路故障过程中全部测量数据为坏数据时,难以仅利用稳态数据修正测量数据瞬变行为的这一特殊问题,提出了基于长短期记忆网络（Long-short term memory network,LSTM）模型的数据初步恢复方法,利用LSTM模型在学习时更关注不同PMU数据变化一致性上的优势恢复短路阶跃点;同样考虑到实际扰动数据有限,利用GAIN模型无监督、强跟踪性能的优势,提出了基于LSTM和GAIN双重模型的短路全过程坏数据修正方法,可实现短路数据全部损坏这一严苛场景下PMU数据的高精度修正。