电网的发展对电力系统监视的实时性与稳定性提出了更高的要求。在这种背景下，基于同步向量测量装置(PMU)的广域测量系统(WAMS)得到了广泛的应用。相对于常规的远端测控单元(Remote Terminal Unit，RTU)，PMU采集的数据具有细节化、海量化的特征，对传统的数据处理方式提出了挑战。作为一种新型的数据处理方法，数据流技术在处理实时到达；具有时序特征；规模宏大、不能预知其极值的数据上有着传统的数据处理方式所没有的优势。本文引入数据流处理方法对WAMS产生的海量数据进行实时梳理，提高数据的可用性。本文在介绍数据流技术在WAMS数据梳理中的作用时选取故障区域划分以及不良数据的检测与辨识两个具体问题进行分析。在故障区域划分的应用中，本文根据电力系统发生故障后故障元件及其周围元件的电气量将会发生明显变化的特点，利用WAMS产生的电压电流量作为特征量，采用模糊C均值聚类的方法对数据进行分类，能够将故障元件及其周围元件识别出来。方法与数据流中的滑动窗口技术相结合，开发相应的增量算法以适应滑动窗口模型，使聚类结果随着滑动窗口的滑动而实时更新。聚类结果在为具体故障原件识别减少的数据量的同时，将可能越限的元件动态标识出来，有利于广域后备保护的实现。采用C语言编程通过对IEEE-39节点系统进行仿真表明了方法是可行的。在不良数据的检测与辨识应用中，本文提出了一种基于曲线拟合的量测量相关性检测的方法来检测电力系统量测数据中的不良数据，防止状态估计中的残差淹没和残差污染现象的发生。由于该方法的实现与网络结构的变化关系不大，因而在数据不完全或网络不完整的情况下仍能实现不良数据的检测与辨识的目的。而数据流方法的引入也提高了方法的实时性。采用Matlab仿真验证了方法在不良数据的实时检测与辨识上的有效性。以上两个具体实例说明了数据流技术在WAMS信息处理中的应用的可行性与有效性。