苑津莎，甘斌斌，李 中，万 利，李 灿

(1.华北电力大学 电气与电子工程学院，河北 保定 071003; 2.国网四川省电力有限公司乐山供电公司，四川 乐山 614000;3.国网湖北省电力有限公司武汉供电公司，武汉 430000)

0 引 言

异常检测旨在检测出与主体数据存在显著差异的异常数据[1]，并挖掘出其中的信息价值。目前，异常检测已被广泛应用于金融、航天、医疗等诸多领域。这些领域中的数据集大多为具有时间性的多元时间序列数据，而多元时间序列具有海量、维数高、结构复杂且随时间不断变化等特点。因此，为了快速准确地检测出异常数据，防止数据源的异常工作状态造成恶劣影响，对多元时间序列进行异常检测尤为重要。

国内外学者针对不同类型的数据集，提出了一些多元时间序列异常检测的方法。LI J[2]提出了一种基于隐马尔可夫模型框架的多元时间序列异常检测方法；李海林[3]基于频繁模式发现的时间序列异常检测方法，克服了传统异常检测方法在增量式时间序列异常检测中准确率低的问题；戴仙波[4]提出了一种基于改进高斯核函数的边界网关协议异常检测方法，提高了模型分类的准确率；WANG X[5]提出了一种自学习在线异常检测算法，克服了时间序列的异常检测中异常无法定位的问题；余立苹[6]提出了一种基于高维数据流的异常检测算法，解决了传统算法精确度无法保证和计算时间过长的问题，实现了高维数据流的异常检测；BREUNIG M M等[7]提出了基于密度完成异常检测的方法，解决了子集密度不同所导致的混合错误问题；……