快速精确的电力系统电气量动态测量对确保我国交直流互联电网安全至关重要。同步相量测量单元(phasor measurement units,PMUs)作为最有效的动态测量工具之一,可为电力系统监测与控制提供数据支持。然而,目前现场部分PMU存在不同程度的数据质量问题,有报告指出北美约有10%～17%的PMU数据存在问题,这一比例在我国高达20%～30%,这严重制约了 PMU在电力系统动态安全监控中的应用效果与前景。论文从PMU各类不良数据特征出发,系统研究PMU不良数据检测与修正方法,实现了 PMU数据质量的提升。论文的主要工作及创新点如下:论文分析了 PMU不良数据的分类与特征,并将其分为偶发不良数据与连续不良数据。提出了不同类型不良数据检测与修正框架,即针对发生概率高、相对容易处理的偶发不良数据,采用单台PMU数据进行检测与修正,以提高计算效率;针对发生概率低、较难处理的连续不良数据,采用多台PMU数据进行检测与修正,以提高计算精度。进一步,提出了基于斜率特征的偶发不良数据初筛方法与基于决策树的静动态数据辨识方法,对PMU不良数据进行预处理与分类。所提方法的初筛准确率约为99.4%,辨识准确率约为99.1%,可为后续PMU不良数据的检测与修正提供基础。针对电力系统静态条件下部分PMU偶发不良数据因偏差相对较小,导致难以与正常数据区分的难题,提出了基于谱聚类的偶发不良数据检测方法,将PMU数据由低维空间映射到高维空间,放大偶发不良数据的偏差特征,并基于聚类的方法,可实现对偏差大于0.5%的偶发不良数的准确检测。进一步,提出了基于改进三次样条插值的偶发不良数据修正方法。所提方法可根据偶发不良数据相对位置自动分配优先级,进行非线性插值,将修正数据的平均误差降低至0.3%。针对电力系统动态条件下PMU偶发不良数据易淹没于数据波动过程中,导致难以检测的难题,提出了基于双层长短期记忆(LSTM)网络的动态条件下偶发不良数据检测方法,利用LSTM网络对动态数据变化规律强大的学习能力,从偶发不良数据对正常数据变化趋势的破坏出发,可实现动态条件下对偏差大于0.5%的偶发不良数据的准确检测。进一步,提出了基于奇异值分解的动态条件下偶发不良数据修正方法,利用正常测量数据准确重构动态数据,将动态条件下偶发不良数据修正的平均误差控制在0.05%以下。针对PMU连续不良数据因数量大、连续性强而难以检测与修正的难题,提出了基于时空尺度的连续不良数据检测与修正方法。首先从空间尺度出发,提出了基于动态时间规整的PMU数据相似度计算方法,并提出了基于改进谱聚类的PMU空间分群方法。进一步,在时间尺度上,建立了一种双向LSTM网络模型,构造了同一群内多台PMU到单台PMU数据的映射关系,将映射数据与该PMU实测数据进行对比,可同时实现PMU连续不良数据的可靠检测与修正。所提方法可有效检测偏差大于0.5%的连续不良数据,修正数据的平均误差约为0.02%。