随着数据的急剧膨胀,越来越多的研究者关注到异常数据检测的研究。异常数据检测已被用于各种检测异常数据场景,根据电力大数据特点,本课题研究一种可以进行无监督学习的异常检测算法,尽可能的减少人为设定干扰学习,结合聚类算法与神经网算法方法,发挥出各自的优点,方法主要应用于电力大数据异常检测场景。异常数据在很大程度上使数据的质量降低了,对应于不同的应用领域,异常数据展示了不同的特点,对于电网数据而言,数据往往符合一定的变化规律,即具有很强的时序性。采用结合密度聚类算法和长短期记忆神经网络(LSTM)的途径来寻找解决异常数据问题符合电网的运行规律,是一种很有效的检测方法。本文研究各种聚类算法,比较各算法的优缺点,并选取其中的基于密度的聚类算法(DBSCAN)及基于局部异常因子(Local Outlier Factor,LOF)算法,用于异常数据的初步识别。主要研究神经网络中的LSTM及其变体,实现其对时序相关数据的准确预测和异常数据检测。重点完成了 LSTM的训练、时序预测和设定阈值判别,介绍了电能质量异常数据识别的流程和具体做法。最后结合密度聚类算法和LSTM,提出融合算法,考虑数据的变化规律,实现异常数据的分层次准确识别。利用基于密度的聚类算法自动划分正常数据异常数据标签;再利用长短期记忆神经网络,给定判定为异常数据的时序输入,匹配最优输出神经元个数,通过一系列的数据训练和学习,修正权系数,直至训练结束。神经网络达到最佳记忆状态后,通过学习到的数据变化规律,能够有效判断出异常数据序列中的具体异常值。最后对异常检测结果进行了分析,包括所检测的电能质量数据集的分析、改进的基于密度的聚类算法的性能分析、结合的密度聚类算法和LSTM算法的性能分析,通过和传统的基于密度的聚类算法对比,验证了本文改进的融合方法在检测性能上的优势,证明改进的融合算法适合应用于电能质量异常数据识别。