目前,电力网络已由信息化、自动化逐步向数字化、智能化转变。如何有效处理、存储、应用电网产生的海量数据,成为当前广泛受关注的问题。大数据技术以其高效的分布式计算能力、高度容错的存储能力、底层硬件要求较低等特点,成为解决电力系统巨量数据处理问题的有效工具。以大数据技术应用于电力系统SCADA与PMU的数据混合为研究目的,基于大数据处理平台Hadoop,实现数据预处理、不良数据识别和数据混合状态估计算法,并应用于电力系统状态估计方面。使用大数据处理平台Hadoop的实现电力系统的数据预处理、不良数据识别和数据混合状态估计算法,以实现大数据技术在电力系统状态估计方面的应用。通过MapReduce实现了数据清理、数据去重、以及数据补充的数据处理任务,同时实现了基于残差搜索法的不良数据的检测和辨识,提出了将不良数据的识别分为检测和辨识两个阶段,检测阶段使用时序数据进行异常数据检测,辨识阶段使用历史数据进行突变数据和不良数据的判别,以此方法保证不良数据识别的有效性,避免发生残差污染和残差淹没现象针对SCADA与PMU的数据混合状态估计问题,分析了 SCADA和PMU的数据特点,提出了一种数据混合方法。首先通过最小二乘法的状态估计算法得到SCADA的静态状态估计数据,然后应用MapReduce Kalman Filter(MRKF)算法实现数据混合,将获得的静态状态估计数据和PMU的量测量进行数据混合,得到新的状态估计,提高了状态估计的精度。通过Hadoop的伪分布式计算环境进行实验,对MapReduce实现的数据预处理算法、数据混合算法和并行计算最小二乘法算法的正确性和准确性进行了验证。搭建了Hadoop集群计算实验平台,将以上三个算法整合为一个静态估计方法进行计算效率的实验,实验结果表明利用MapReduce实现的数据预处理和MRKF算法不仅具有突出的计算效率而且保证了较好的精确度,证明了利用大数据技术在电力系统的状态估计方面的可行性。