同步相量测量单元在电力系统监测中具有测量精度高、数据采集传输速度快等优点,故近年来在电力系统状态估计、控制保护等领域得到了广泛的应用。然而,由于互感器误差、PMU设备故障、通信设备故障等诸多因素的影响,PMU实测数据在采集和传输过程中出现了丢失、跳变等数据质量问题。而此类PMU不良数据会对后续高级应用的性能和效果产生严重影响,如使得电力系统扰动识别算法精度降低等。为了提高PMU数据的质量,本文以数据挖掘技术为基础,研究了PMU不良数据检测算法。考虑到传统算法主要针对系统在正常稳定运行情况下的PMU不良数据进行检测,而没有考虑电力系统其他的运行情况。因此,本文从电力系统受到扰动的情况出发,阐释了电力系统小扰动的定义,分析了小幅度PMU不良数据的特点,并通过公式推导证明了数据挖掘传统算法（K-means算法）难以检测电力系统受到小扰动时的小幅度PMU不良数据。然后阐释了电力系统大扰动的定义,通过公式推导证明了传统的PMU不良数据检测算法难以检测电力系统受到大扰动时的PMU不良数据。针对系统受到小扰动情况下的PMU不良数据,本文以次同步振荡为例进行分析。将小扰动情况下的PMU数据分为了PMU幅值和相角数据。对于PMU幅值数据,首先提出了数据挖掘中基于长短时记忆网络的小扰动数据拟合预测模型,通过残差分析提取数据特征值;然后提出了结合基于密度聚类的不良数据检测算法;最后,通过MATLAB进行仿真实验,验证了在出现单个、多个以及连续多个PMU幅值不良数据时,所提PMU不良数据检测算法的有效性。对于PMU相角不良数据,首先提出了基于PMU数据斜率的特征提取算法;然后通过基于密度聚类的算法检测PMU相角不良数据;最后通过MATLAB仿真实验验证了出现单个、多个PMU相角不良数据时,所提检测算法的可行性。针对系统受到大扰动情况下的PMU不良数据,本文首先考虑了PMU正常数据、PMU大扰动数据以及PMU不良数据各自的时空相似性;然后,提出了基于时空最邻近的PMU数据特征提取算法;接着,将提取的特征值输入到基于密度的局部离群因子算法中,通过LOF值计算结果识别PMU不良数据;最后,通过SIMULINK仿真平台进行实验,仿真结果表明电力系统在受到大扰动情况下,本文所提出的算法能够有效检测出PMU不良数据。