孟令雯，张锐锋，李鑫卓，席 禹

（1.贵州电网有限责任公司电力科学研究院，贵阳 550000；2.南方电网数字电网研究院有限公司，广州 510000）

变电站正常运行是电力系统安全稳定可靠运作的基础。变电站设备尤其是变压器等关键设备一旦发生故障，将会对电力系统产生一系列的影响，在造成巨大的经济损失的同时，还危及公共安全[1-2]。因此，变电站设备的稳定运行和异常状态的正确判断与及时处理是电网坚强、可靠运行的前提[3]。然而，变电站数据从采集到应用过程中因为传感器异常、传输设备异常、外部环境干扰等原因，会导致数据出现跳变、缺失、超值等数值不合理问题[4]。值得注意的是，这些“脏数据”并不是真正的变电站设备异常数据，会干扰运维人员对设备真实状态的评判。此外，随着大数据技术和智能设备在电力领域逐步发展，变电站设备数据爆炸式增长，从海量设备数据中提取有价值信息也迫在眉睫[5-6]。因此，为了准确感知变电站设备状态，以及更好地挖掘数据价值，需要进行设备异常状态数据清洗。

电力数据的清洗主要分为异常数据检测和错误数据修正两部分。传统检测方法大多是通过单一量的阈值判断“脏数据”（数据中的奇异点），方法存在设备信息利用率低、状态评价结果片面、故障类型难以分辨等问题[7-8]。因此，为充分挖掘状态数据的异常信息，近年来国内外学者将机器学习算法引入到电力设备异常检测中，为设备状态异常检测提供了更加前沿的设计思想与解决方法，主要包括基于线性模型的异常值检测方法、基于邻近度的异常值检测方法、基于集成方法的异常值检验方法3类[9]。……