[pt] Na supervisão em tempo-real de sistemas de potência é fundamental que as informações recebidas do sistema de aquisição de dados não contenham erros. As decisões tomadas durante a operação do sistema se baseiam em análise que utilizam uma base de dados supostamente confiável. A presença de erros nos dados compromete as análises realizadas conseqüentemente as decisões tomadas a partir delas, podendo ocasionar problemas para a operação do sistema. Este trabalho propõe um novo método para a identificação de erros nos dados na supervisão em tempo-real de sistemas de potência. Técnicas de projeção de dados baseadas no mapa de Kohonen são utilizadas para mostrar que as inovações normalizadas, obtidas no estimadores de estado com capacidade de previsão, apresentam excelente capacidade de discriminação de erros quando comparadas a outras variáveis tais como medidas cruas e resíduos normalizados. É proposto um método que trata o problema de identificação de erros de dados como um problema de reconhecimento de padrões, onde as inovações normalizadas são utilizadas como variáveis de entrada para uma rede neural plástica que é responsável por identificar o erro presente. O método é capaz de tratar de forma integrada erros grosseiros nas medidas de erros topológicos envolvendo ramos de transmissão ou barras. Método proposto é testado para várias condições de operação envolvendo os mais diversos tipos de erro, utilizando os sistemas IEEE 24-barras e IEEE 118-barras. O desempenho do método é avaliado e aspectos como eficiência computacional, capacidade de generalização e implementação em tempo-real, entre outros, são também discutidos. / [en] Bad data detection and identification is one of the most important problems to be solved in real-time power system monitoring. During system operation, the decision-making process is based on analyses that use a database which is assumed to be reliable. Bad data can affect the results of these analyses and as a consequence the decisions taken may not be valid anymore. This may cause serious problems to system operation. This work presents a new method for debugging data in real- time power system monitoring. Data projection tecniques based on Kohonen´s self-organizing maps are employed to show that normalized innovations, obtained from a forecasting-aided state estimator, present excellent discrimination capability when compared to other variables such as raw measurements and normalized residuals. In the proposed method the problem of bad data identification is viewed as a pattern recognition problem, in which normalized innovations are use as input variables to a constructive artificial neural network that is responsible for identifying bad data. The method is able to distinguish between gross measurement and topological errors. Which can include branch or bus misconfigurations. The proposed method is tested for many different operating conditions involving different types of error. Tests are performed using data from the IEEE 24-bus and IEEE 118-bus systems. The performance of the method is evaluated and aspects such as computational efficiency, generalization capability and real-time implementation, among others, are also discussed.