伴随着电力物联网技术的发展,电力系统产生了海量电力感知数据,这些数据反映着整个电力物联网系统的运行状况。然而,由于电力感知数据的采集环境和传输过程复杂,异常是普遍存在的。电力感知数据是一类典型的时序数据,其异常不仅指数据点异常,还包括连续的数据片段异常,即模式异常。因此,本文针对电力感知数据的模式异常问题展开研究。首先,分析了电力感知数据的主要特征以及电力感知数据中现有的异常问题,并对现有异常处理方法进行分析,发现优势与不足,提出改进方向。其次,针对电力感知数据的模式异常问题,充分考虑电力感知数据的数据特征,提出三种面向电力感知数据的异常模式检测方法,分别针对电力感知数据的数值变化趋势异常、数值幅度变化异常以及超维空间上密度分布异常的情况进行处理,以保障异常模式检测在低时间开销的前提下具有低虚警率、高准确率和高召回率。本文的主要研究内容如下:第一、针对电力感知数据样本数值变化趋势异常的问题,提出基于电力感知数据频域特征的异常检测方法。方法通过快速傅里叶变换提取数据的频域特征,利用统计值描述频域特征以降低特征空间的维度,之后基于隔离森林方法完成高维数据的快速处理,以获得电力感知数据的异常分数,并据此判断数据是否存在异常及异常程度。同时,本文针对实时异常检测的需求,对于本方法在流式处理上进行了改造,提出了流式电力感知数据的异常模式检测方法。方法通过利用滑动窗口机制实现了对于流式电力感知数据的异常模式检测。第二、针对电力感知数据样本数值变化幅度异常的问题,提出基于电力感知数据运动特征的异常检测方法。方法考虑电力数据的运动特征,利用电力感知数值随时间变化的速度、加速度等特征计算来获得其运动特征,之后利用隔离森林算法判断异常情况。第三、针对电力感知数据的数值在超维空间上表现出密度分布异常的问题,提出基于电力感知数据空间密度的异常模式检测方法,利用数据的空间分布来进行密度模型的数据建模,之后利用各传感器的数值在模型中匹配密度区间,获取各传感器的密度值,根据密度值来进行异常检测。为了验证方法的可行性和有效性,设计和实现了面向电力感知数据的异常模式检测系统,并基于实测的电厂数据开展实验。实验结果表明基于基于频域特征的异常检测方法在检测数值变化趋势异常的样本时召回率基本在82%以上,虚警率小于1%而准确率保持在98%-99%区间。而基于运动特征的异常检测方法在检测数值变化幅度异常的样本时召回率基本在85%左右,虚警率保持在0.6%-1.0%而准确率保持在98%-99%区间。基于空间密度的异常检测方法在检测数值密度分布异常的样本时召回率基本在80%左右,虚警率保持在1%-2%之间而准确率保持在97%左右,并开展了对于流式电力感知数据的异常检测方法的实验,结果显示方法能够将超过98%的电力感知设备的异常情况进行准确判断,并且能够满足实时性的需求。同时基于频域特征的异常模式检测方法相比于DBSCAN和One Class SVM具有更高的准确率和更低的时间开销。