近年来,社会经济快速持续发展,人类社会生产活动已经越来越依赖于稳定的电力供应。智能电网中的异常检测技术在预防电力系统不稳定事故的发生的方面起着至关重要的作用。本课题的第一部分提出了一种基于循环神经网络编解码框架的时间序列异常检测模型。利用该模型对原始输入的时间序列进行重构,根据重构误差来判断原始的输入是否属于异常。本课题利用两类电力系统典型场景下的数据集:UCR开源的电力供应时间序列数据和MATPOWER仿真的IEEE39节点网络拓扑时间序列数据,评估了模型的效果。该模型在两类数据集上的异常检测的精确度均超过了 95%,有力地证明了模型的有效性。本课题的第二部分提出了一个对电力系统拓扑节点时间序列数据进行特征提取、降维的模型。可视化时间序列数据的协方差矩阵,直观地显示拓扑节点之间的相关性。提取矩阵图像纹理特征(例如,HOG、LBP)并降维,结合SVM算法进行异常检测。本课题提出的智能电网异常检测模型具有以下显著的优点:首先,智能电网的监控设备收集到的测量数据中,只有很小的一部分属于异常。而本课题提出的编解码模型适用于这种正负样本极其不均衡的场景。训练模型只需要使用正常的时间序列样本。而传统的用于异常检测的机器学习算法(例如,分类算法)大多都需要正负样本均衡。常用的调节正负样本比例的措施(例如,过采样、欠采样)都会对模型的性能造成一定的影响。其次,电力系统中传统的异常检测算法过分依赖于电力领域专家的专业知识。随着数据规模的不断增大,传统的方法也显得越来越力不从心。本课题提出的模型和方法则不需要专业、精深的电力知识,有效地降低人力成本。最后,电力领域时间序列数据的时空多样性使得数据的原始特征维度高,导致直接进行异常检测的时间复杂度高,资源消耗大。本课题直观展示电力系统拓扑节点相关性矩阵,提取图像降维后的纹理特征进行异常检测,具有更小的计算复杂度,为解决实时的异常检测提供了技术方案。