目前，在各种的研究文献中，总结出了如下几种不良数据的辨识方法：

1) 基于状态估计的不良数据辨识

    对于不良数据的辨识研究是电力系统状态估计研究领域的很重要的组成部分, 在研究时根据状态估计所提供出的大量信息，会发现并同时处理其中隐藏的不良数据，因此电力系统中运行的实时数据就可以得到准确、精准的保证[1]。文献[2]中指出了状态估计在地区电网中的实际应用，并结合现有的研究成果加以改进，即提出了智能型自主选择检测方法的使用算法，这种算法的提出大大降低了电力系统对于不良数据辨识的误检率和漏检率。文献[3]指出了在状态估计的方法基础之上，对其应用于无功优化系统的离线优化模式和在线优化模式这两种不同的应用背景下的模式给出了更为详细的介绍，此类方法的应用大大提高数据的精度，同时也达到了在对电力系统中不良数据的检测与辨识的同时，也对其同时进行了消除的效果，这种方法的应用极大的提高了在无功化系统中数据辨识的高效性和准确性。除此之外，我国学者相年德教授等人发表了将量测误差检测与辨识不良量测方法二者相结合从而相辅相成相得益彰的方法，充分体现出残差与量测误差二者之间暗自存在的线性关系，使用降阶残差灵敏度矩阵来估计出量测误差的大概值为多少[4]。对于此方法的应用，同时张伯明教授等人又对其进行了改进,提出了用递归量测误差来进行估计与不良数据的辨识，即用线性递归的方式计算量测误差的估计值。在使用时，当我们对疑似不良数据进行相关操作时,就省去了要计算降阶残差灵敏度矩阵中的元素和再估计的过程，就使得检测的效率有了一定程度的改善。65198

经过大量研究，目前基于状态估计的方法主要有：总体型估计辨识法、残差搜索法、零残差法、非二次准则法以及逐次型估计辨识法。对于应用残差来对数据分析的方法，通常用残差灵敏度来指认出存在需要改进与辨识的支路，将这些支路上各个点的潮流值作为研究的变量，从而在计算与考证的过程中将不良数据排除在外，以达到检测效果[4]。文献[5]利用将状态预估检测法和残差检测法相结合，提出了状态预估与 检测相结合的不良数据检测辨识方法，减弱了残差污染和残差淹没所带来的影响，在检测的过程中还能清楚的将不良数据与突变量区分开来，不过因为所需要进行估计的次数会有所不同，因此在不同的应用领域也会存在不同的应用方法。文献[6]通过在辨识过程中由于自身问题而导致的一些诸如误检或者是漏检的问题加上了适当的防护与干预措施，即通过适当调整量测的权重来进行对于容易存在检测缺陷的避免。在非二次准则辨识法的基础上，因为我们对确认为正确的量测进行强制性的使用，即在估计结果和量测值相差很大时又确定量测值为正确的情况下，将状态估计产生的结果强行变为本身正确的值，这样我们得到的检测结果就会离真实准确的结果更接近一些。同时不良数据和量测产生的值差别也会增大，这样也更有利于程序对其自动识别或者人工对其进行识别。文献[7]分析了量测数据对于方差矩阵中产生的对应值在量测数据中可能会存在白噪声、突变量和数据的变化，提出了一种新的方法即用量测数据协方差矩阵中元素之间的变化规律来对电力系统中的不良数据进行辨识和检测。原理就是主要将加权残差或者是标准差作为运算过程中的特征值，先假设其服从某一概率分布，并按规定的可信度定下最初值，然后再对其进行假设性测验。当疑似的量测数据出现时，将其从测量数据中排除或减小其权值，于是得到新的状态估计值[8]。文献[9]提出了结合测量量突变检测法与标准化残差检测法两者存在的优势，在处理对于运用状态估计方法中出现的比如说变压器抽头的问题或者是零阻抗问题时，基于分解电压测量量和功率测量量二者提出方法。同时也推导并且实现了仿真论证测量量突变检测法与标准化残差检测法这两种传统状态估计的不良数据检测方法形成的混合检测法用来辨识电力系统的不良数据并且在应用上也存在有优势。在如今电力系统自动化水平不断提高、电网不断扩大的情况下,上述方法所体现出的优越性就会更为显著。不过，以上所提到的这些不良数据的辨识方法总体来说存在的缺陷就是容易出现残差污染或是残差淹没等现象，并将直接影响到实际的检测，从而可能导致诸如对需要检测出的不良数据有遗漏的危险。测量突变检测方法[2]还存在如其假设条件原本定为电力系统平稳时，然而在实际操作生产过程中容易经常出现波动使之与预定情况不符的问题，故还需加上在最初条件不成立时实行闭锁的先行条件。另外，采用非线性残差方程而产生的高计算量[10]也是容易造成误检或是漏检的原因之一。