AMI作为智能电网的重要组成部分不断发展,电力系统负荷数据变得易于测量。负荷数据作为电力系统最重要的基础数据之一,对电力系统的分析计算和运行决策有直接影响。实际运行中由于各种原因,量测数据会含有不良数据,如何辨识和修正这些不良数据成为电力系统数据管理领域的重点。针对电力系统负荷量测数据的处理问题,本文提出一种基于改进模糊C均值聚类(Fuzzy C-Means Clustering,FCM)的不良数据的辨识及修复方法,涉及FCM算法的改进、不良负荷数据辨识和修复方法等,具体工作如下:在结合FCM算法的不良数据检测及辨识方法中,针对FCM对样本聚类时,需要预先给定聚类数目,初始聚类中心往往随机给定等缺陷,引进爬山法进行改进,在快速确定聚类样本的聚类数目的同时,获得初始聚类中心及初始化隶属度矩阵,提高了FCM算法应用时聚类的效率,避免目标函数陷入局部极小值。在不良负荷数据辨识和修复方法方面,针对进行不良数据辨识时,可能出现待检测数据对特定类可行域矩阵敏感,对样本可行域矩阵不敏感的问题,提出了一种改进的不良数据辨识和修复方法。该方法结合模糊聚类的改进算法提高了辨识效率,通过求解不同类型的历史正常量测数据所处于的阈值范围,形成分类的可行域矩阵,在此基础上对新量测数据进行分类辨识,并对辨识出的不良数据用基于负荷特征曲线的方法进行修复。论文通过实际电网的算例验证了该方法的有效性。