综述：智能电网物联网时间序列异常检测方法：系统性文献综述

《Neurocomputing》：Time series anomaly detection methods for IoT in smart grids: A systematic literature review

本综述系统梳理了2019-2025年间150篇智能电网（SGS）时间序列异常检测（TSAD）领域重要研究成果。文章聚焦多变量时间序列（MTS）数据分析，从序列特征、统计方法、机器学习技术和任务导向与模型导向分类框架等多维度进行深入评述。特别针对高维动态数据流的实时检测需求、分布式可再生能源并网复杂性等关键挑战，系统归纳了现有数据集与方法论进展，为电力系统异常检测研究提供了重要参考。

　　

智能电网中的时间序列异常检测技术演进与应用前景

异常类型

智能电网系统（SGS）在变电站、输电系统和发电厂等场景中主要存在四类关键异常：设备运行状态异常、物联网（IoT）传感器感知异常、电气参数时间序列异常以及跨场景数据交互异常。其中，变压器和断路器等关键设备的油温曲线持续偏差、断路器操作序列异常等设备运行状态异常最具破坏性，可能引发连锁性故障。而智能电表数据篡改、通信延迟导致的传感器感知异常则会直接影响计量准确性和状态监测可靠性。

分类体系

当前时间序列异常检测（TSAD）研究可从四个维度构建分类体系：序列特征、检测技术、应用场景和数据集。序列特征涵盖统计特征、时频域特征、基于相似性的特征和滑动窗口特征等多维度数据表征方式。检测技术层面，传统统计方法与机器学习（包括深度学习）算法并存发展，特别是任务导向（关注特定场景下的异常分类与定位）与模型导向（侧重算法泛化能力与架构创新）的分类框架为领域提供了新颖的研究视角。

未来方向与挑战

尽管深度学习在TSAD领域取得显著进展，其实际应用仍面临五大核心挑战：实时检测高维动态数据流的技术瓶颈、自动化异常分类系统的缺失、模型可解释性不足、上下文感知与变量间依赖关系建模困难，以及与现有电网基础设施的集成兼容性问题。未来研究需重点开发生态计算框架以支持在线学习，结合物理知识嵌入的混合模型以提升泛化能力，并建立标准化的电气工程数据集验证体系。

结论

本文通过对近五年智能电网时间序列异常检测研究的系统分析表明，任务导向与模型导向方法已成为领域主流范式。未来工作应致力于构建端到端的实时异常检测管道，发展面向新型电力电子设备的自适应算法，并通过多模态数据融合提升复杂电网环境下异常诊断的精确度与鲁棒性。

CRediT authorship contribution statement

陶登：文稿审阅-编辑、初稿撰写、可视化、验证、监督、软件、方法论、形式分析、数据整理、概念化。李海斌：调查研究、形式分析。倪承欣：文稿审阅-编辑、监督、形式分析、概念化。陈宁江：文稿审阅-编辑、监督、软件、资金获取。

Declaration of competing interest

作者声明不存在任何可能影响本研究结果的已知竞争性财务利益或个人关系。

Acknowledgments

本研究得到国家自然科学基金项目（编号：62162003）资助。