随着社会经济的快速发展,越来越多的温室气体排放带来了日益严重的全球性气候问题,严重威胁了人类的生存环境。我国政府为了实现节能减排、低碳发展的目标,准备开展碳交易。2016年,河南省发改委委托我们开发了《河南省温室气体排放数据报送平台》,用于收集近10年来河南省各行业大中型企业在生产过程中产生的温室气体排放数据,为顺利开展碳交易提供数据支撑。可能存在少数企业为了在今后的碳交易中获得丰厚利益而在填报时虚报或夸大数据,因此对企业填报的排放数据进行检测是非常重要且必要的。由于人工审核方式效率低下,而且在过程中容易出现不可控因素,造成误判,因此本文对温室气体排放数据的异常检测展开研究,提出了使用聚类的方法对数据集进行快速标识,根据聚类结果对重点数据进行审核,之后根据标识的数据进行构建异常检测模型。本文首先阐述了传统的异常检测方法,然后介绍了应用聚类思想对数据进行快速标识的方法,在经典的模糊C-均值(FCM)算法及KNN-RFCM算法的基础上,改进了基于自适应均衡权重K近邻模糊粗糙集C-均值算法(SKNN-RFCM)。将FCM算法与K近邻隶属度和粗糙集结合并对均衡权重函数进行了改进,对GHG数据集进行划分,根据数据集的特点,将属于大类的样本判断为正常数据,小类为异常数据集。用标识过的且经过专业人员审核的训练集样本对BP网络进行训练,将粒子群优化算法(PSO)与BP结合构建异常检测模型,弥补了BP网络不能确保收敛结果是全局最优的问题,并且提高了异常检测的正确率。本文以河南省涉及发电行业的企业在系统中填报的近10年的排放数据为研究对象,对我们提出的方法及一些经典算法进行了对比性实验,实验结果表明,与其它检测方法相比,本文的方法能更加准确地检出异常数据,最后根据上述方法,设计并实现了异常检测模块并将其应用在河南省温室气体排放平台中。