数据清洗是将电力数据应用于电网运行与维护中的一个关键步骤,有助于提高数据质量和数据利用率。数据清洗通过填充缺失值、平滑噪声数据和识别离群点来提高数据质量,但是在实际应用中,广域量测系统(Wide Area Measurement System,WAMS)大数据、高响应的特征导致很难获取足够的带标签训练集,“数据海量,信息匮乏”仍是电网运行规划面临的重要问题。与有监督学习相比,无监督学习更加适用于难以获取足够带标签数据集的情况,通过无标签数据进行模型训练就可以获得不错的检测分类结果。在获取了异常点后通过对异常点进行预测,然后将预测值填充到异常点位置就可以实现数据清洗的目的。然而电力数据是一种线性与非线性混合的时序数据,现有的单一模型很难对这种混合型数据进行准确描述。与传统单一模型相比,混合模型在电力数据预测领域具有更好的适用性。本文在异常数据分类与时序数据预测方面进行研究。本文在无监督学习领域进行了分类算法的探讨,分析了一些现有算法的优缺点,并在现有的算法上进行改进,提出了新的算法模型,同时对时序预测进行了混合模型的应用研究,对比了单一模型与混合模型的预测效果。文本的主要工作体现如下:(1)基于隔离森林(Isolation Forest)算法对WAMS数据集进行异常检测。针对隔离森林准确性与稳定性不足的问题引入遗传算法(Geneticalgorithm)构造了一个新的异常检测模型GA-iForest。具体来说,利用遗传算法对决策树进行筛选,淘汰检测性能低的决策树保留性能高的决策树,以此来优化隔离森林的结构。该方法在保持了传统隔离森林执行效率高的同时提高了检测精度与稳定性,同时对局部异常检测与高维异常检测也实现了检测性能的提升。(2)基于移动平均自回归(Autoregressive Integrated Moving Average mode,ARIMA)与长短期记忆神经网络(Long Short-Term Memory,LSTM)对WAMS时序数据进行预测。针对WAMS数据混合化以及单一模型性能不足的问题,提出基于移动平均过滤器和混合模型(ARIMA-LSTM)的耦合预测模型。模型采用移动平均过滤器对WAMS数据进行线性与非线性的划分,然后使用ARIMA对划分后的线性数据进行预测,LSTM对非线性数据进行预测,最终的预测结果为两种模型的叠加。该耦合模型在WAMS数据预测方面比单一模型表现出更好的预测精度。为了进行实验,本文采用了某省WAMS的实际采集数据进行对比,实验结果表明,本文提出的模型具有更好的预测精度。