随着电力系统自动化水平的不断提升，电网运行对实时数据质量的要求越来越高，因此针对不良数据的检测与辨识就显得尤为必要。传统的不良数据检测方法基本都是估计后的算法，需要反复进行多次状态估计，计算量较大的同时还有可能造成“残差淹没”或“残差污染”现象，所以较为理想的状态就是在估计前就能把不良数据检测辨识出来，而本文研究的基于关联规则挖掘的不良数据检测与辨识方法可以在一定程度上解决这些问题。本文研究内容主要有以下几点:　　1)研究传统的不良数据检测与辨识方法，分析它们的局限性与不足之处，根据状态估计前不良数据检测的优越性提出关联规则挖掘算法在这一课题中应用的可行性;　　2)对关联规则中的经典算法——Apriori算法进行深入研究，分析其不足，并在传统Apriori算法基础上，提出一种改进的多维关联规则算法，并将两种算法进行对比分析，验证改进算法的有效性;　　3)引进时态关联规则的概念，重点研究其中的一类——周期性关联规则，阐述周期性关联规则的基本思想和算法实现等，并针对基本算法提出改进并将其实现，使能减少不必要的周期性支持度计数、降低时间成本;　　4)将改进后的关联规则算法应用到估计前不良数据的检测与辨识中:在不知道系统拓扑结构的前提下以历史数据样本为基础，通过关联规则挖掘获得每个时刻对应的量测预测量;之后通过人为设定不良数据的方法进行实验分析，利用时间属性与状态量的相关联系验证当前时刻状态值的正确性，从而验证了本文提出的方法的可行性和有效性。