随着智能电网建设的不断深入,电力系统中数据的规模和类型正在快速增长,且数据的复杂度也随之快速增大,呈现出典型的大数据特征。将大数据处理方法引入电力系统应用领域,可以关注到电力大数据中潜在的信息,进一步挖掘其价值,为电网调度决策提供参考。数据监控及采集系统(SCADA)和基于相量测量单元(PMU)的广域测量系统是在电力系统得到广泛应用的两套代表性量测系统。与SCADA数据相比,WAMS数据精度和刷新频率的性能更为优良。它们共同构成了电力系统的海量量测数据资源。论文基于电力大数据中数据处理需求,针对SCADA系统和WAMS系统展开研究。将以关联规则为代表的数据挖掘方法和机器学习算法应用于电力系统,旨在满足电力大数据中的不良数据辨识需求和异构数据融合需求,提高数据质量,保证数据完整性,充分挖掘数据价值,为电网决策提供最有力的辅助。论文提出一种基于异构数据关联规则挖掘的不良数据辨识方法。考虑样本的周期属性,以高精度快刷新的WAMS数据离散SCADA数据,挖掘其采样时刻、有功功率、无功功率和电流之间的周期性关联规则,通过规则匹配构建疑似不良数据集合,利用局部残差搜索法验证不良数据集合,并通过人为设置不良数据与残差搜索法对比验证方法的可行性,通过不良数据的规模与辨识次数的比较验证方法的优越性。同时,提出一种基于机器学习的SCADA数据和WAMS数据融合方法。分析SCADA数据与WAMS数据融合过程中的障碍并探讨解决方案。针对融合过程中的SCADA数据缺失问题展开重点研究,将机器学习引入到缺失数据填补领域,构建自编码神经网络,将自编码器堆叠之后逐层进行无监督的网络训练与参数寻优,以提取SCADA数据的变化特征,最后连接到顶层LR模型实现对缺失值的预测填补,从而克服两个系统中融合时的时间断面不一致障碍,实现有效融合,最终利用实际的SCADA值并与其它算法对比验证方法的可行性。