随着智能电网的迅速发展和电力信息的爆炸式增长,电力系统运行过程中会产生海量的数据,这些数据在产生和传输的过程中,容易受到各种因素的干扰而产生不良数据,如雷电、磁场、传输设备故障等,而电力系统状态估计最基本的要求就是基础数据必须得准确。由于数据是海量的,人工筛选的成本是非常高的,这就迫切需要一种新的解决方案。本文在研究了电力系统不良数据的特点后,给出先采用数据挖掘的方式来解决筛选不良数据的方案,经过对传统KMeans的深入学习,并且对惯性权重优化粒子群算法的系统研究,给出了基于惯性权重优化后的粒子群方法改进传统KMeans的算法。整合后的算法有效解决了传统KMeans聚类方法无法高效确定聚类中心的问题,通过结合PSO算法所具有的快速确定粒子群中心的特点,使得算法本身更加高效和准确,并通过MATLAB仿真实验验证了它的可行性;然后针对电力系统需要处理的数据量大,传统算法计算效率低、耗时时间长的问题,研究了粒子群优化传统KMeans算法的并行化算法解决方案,并对整合后的算法应用Hadoop云计算技术,用Map函数实现PSO优化KMeans的改进方案,高效地解决了PSO优化KMeans在对海量数据进行运算时耗时时间长的难题;最后,进行Hadoop平台的实验验证,并进一步论证结果的有效性。本次实验所选用的数据集是基于IEEE-14节点的标准集形成的模拟数据,通过单机方式和云计算集群方式进行算法对比仿真实验,在实验室搭建的云计算集群上对给出的算法做性能测试,实验结果表明PSO优化KMeans的云计算模式优于传统算法,且具有较好的性能。