电力系统状态估计是电力系统运行监控的关键技术，用于获取系统实时状态信息，如发电机的功率、线路潮流等。状态估计的准确性直接影响到电力系统的稳定运行和调度决策。然而，量测数据中不可避免地存在不良数据，如测量错误、通信干扰等，这些不良数据会对状态估计的结果造成负面影响。
不良数据监测和辨识是电力系统状态估计中的重要环节。一种常见的不良数据检测方法是基于量测量残差的检测法。这种方法通过比较实际观测值与根据当前状态估计计算得到的预测值之间的差异（即残差）来识别异常数据。但是，这种方法有其局限性，如“残差污染”可能导致正常数据被误判，“残差淹没”则可能使小的不良数据难以被察觉，“残差转移”则可能使不良数据的影响转移到其他量测上，因此不能有效地处理多不良数据的情况。
另一种方法是量测量突变检测，它依赖于前一次计算的正确结果和网络的稳定性。在负荷不变的假设下，如果量测数据出现显著变化，可能表明存在不良数据。这种检测方法对于检测突发性的数据异常较为有效。
为了克服上述方法的不足，文章提出了等效电流量测变换算法。该算法通过对量测数据进行转换，能够更有效地分离和识别不良数据。通过在IEEE 4、IEEE 14和IEEE 30节点系统上进行的数值案例分析，证明了这种方法在检测和识别不良数据方面的优越性。
等效电流量测变换算法的残差方程和协方差矩阵的表达式揭示了如何利用系统的冗余信息来改进不良数据的检测。矩阵的非对角块元素关系表明，即使在没有自然解耦特性的雅可比矩阵下，也可以通过某种方式解析出解耦特性，从而更准确地识别不良数据。
电力系统不良数据监测和辨识方法的研究对于提高状态估计的准确性和稳定性至关重要。通过不断地优化和改进算法，可以更好地应对电力系统运行中的数据质量问题，保障电力系统的安全和高效运行。
