随着电力系统自动化程度的不断提高,在状态估计中对实时量测数据的质量要求越来越高,得到的量测数据中除了量测噪声之外,还可能存在不良数据。不良数据的存在将会导致状态估计结果严重偏离系统实际运行情况,所以对于不良数据的检测与辨识的工作就变得尤为重要。传统的方法大多都是在状态估计之后再进行对不良数据的检测与辨识。估计后进行检测与辨识通常都会有残差污染、残差淹没的现象,并且计算量较大,计算速度不够快,无法满足现代电力系统庞大网络结构的实时性等需求。本文采用了两种不同的在状态估计前进行不良数据检测与辨识的方法。分别是基于量测数据相关性的方法对样本数据中可疑数据进行检测与辨识,以及基于支持向量机对不良数据进行检测与辨识的方法。第一种基于量测数据相关性的方法中,主要是利用了统计学的方法,引入了协方差与相关系数的概念。以电力系统强耦合性及约束条件作为出发点,首先进行方差分析,再计算可疑量测点与其他量测点之间的协方差,并转化为相关系数,根据相关系数的变化程度对不良数据进行检测与辨识,并在IEEE-30节点网络中,针对量测量突变和出现不良数据等多种情况进行模拟实验,验证了该方法的有效性。第二种基于支持向量机的不良数据检测与辨识方法中,利用历史样本数据对支持向量机进行训练后,再利用支持向量机的分类功能一次性的将不良数据进行检测与辨识;与此同时,用回归模型得到的预测值能够将不良数据有效地替换掉,保证了状态估计程序能够继续完整运行;以IEEE-30节点网络对该方法进行仿真实验,验证了该方法的有效性。