状态估计的准确性为电力系统的安全稳定提供了重要保障。多种量测设备的技术特性随着配电网智能化水平的发展而不断提高，状态估计的准确性也在一定程度上得到提升。现阶段，电力系统的量测数据主要来自数据采集与监控（supervisory control and data acquisition, SCADA）系统和同步相量量测单元（phasor measurement unit, PMU）。 SCADA量测主要用于支路功率和电压幅值等信息的测量，其优点是在配电网中装设较多，数据资源丰富，主要缺陷是数据精度低、无时标，数据质量欠佳。PMU量测数据较SCADA量测具有精度高、时标准、延时低、刷新快等特点，还能直接测量电压相量等信息。PMU是目前较为理想的数据量测装置，但其装设受经济和技术等原因限制，仅靠配电网中已配置的PMU很难满足可观测性要求。在相当长的一段时间内，配电网中的SCADA/PMU两套数据仍会作为状态估计的数据源持续并存。 两种量测设备为状态估计提供了海量数据，但与此同时这些数据中也包含着大量的坏数据，若不对其进行处理，会对配电网状态估计精度造成巨大的影响。如何有效地对坏数据进行辨识并修正是亟需解决的问题。目前针对坏数据辨识，相关学者进行了大量研究，相关坏数据辨识方法如图1所示。
图2 本文方法坏数据辨识流程 研究人员首先通过新息序列和基于密度的含噪声空间应用聚类（density-based spatial clustering of applications with noise, DBSCAN）算法进行初级辨识，将两种检验结果的交集数据作为异常数据、非交集数据作为可疑数据；然后将可疑数据通过基于时间惯性的检验进行二次辨识，若可疑数据与前后时刻呈现强相关性，则为正常数据，否则为异常数据；最后对挖掘的异常数据通过改进长短期记忆神经网络（long-short term memory, LSTM）算法进行预测修正。 他们搭建IEEE-33节点系统用于仿真验证，结果证明了该方法的有效性，对坏数据的辨识与修正起到了良好的作用，提升了状态估计的准确度。
