CN109543083A - 一种多元电网实时数据中异常数据的检测方法 - Google Patents

Abstract

本发明公开了一种多元电网实时数据中异常数据的检测方法，通过对电力实时数据进行获取待检测的多元电网实时数据，建立数据存储数组；将待检测数据按照时间序列进行排列；引入检测区间，将待检测数据存入检测区间中；计算检测区间R中数据的偏离距离，再根据偏离距离计算数据的相对偏离距离；计算检测区间R中数据的相对偏离距离，并与相对偏离距离阈值γ_i进行比较；通过相对偏离距离与相对偏离距离阈值γ_i进行比较，判断检测的数据是否是异常数据，并将异常数据存入异常数据库中。其实现简单，能够准确、快速地完成对海量电力实时数据的异常检测，及时发现多元电网中异常数据，保证多元电网数据安全。

Description

一种多元电网实时数据中异常数据的检测方法

技术领域

本发明属于电力数据处理技术领域，特别涉及一种多元电网实时数据中异常数据的检测方法。

背景技术

一直以来，电网安全稳定可靠的运行是电网公司的重中之重。近年来，电网建设的规模越来越大，随着大数据、人工智能技术的发展，智能电网的建设也越来越快。为了确保电网安全，对数据安全可靠要求也越来越高，对向量历史/实时数据库数据服务能力智能优化研究提出了更高的要求。

随着电网建设规模的扩大，各种新能源的出现，电网数据监测也趋于多样化。在多元电源，由于电网中不同电源出力方式不同，受自然因素影响比较大，对整个电网数据扰动比较大。及时有效的对异常数据检测，能够准确掌握电网运行情况，保证电网安全。另外，现有的电力数据的采集存储过程中，不可避免地会出现异常数据或噪声，因此，如何准确、快速地检测出电力实时数据中的异常数据成为亟待解决的问题。

现有数据异常检测多集中在经验值，或者通过数值区间进行异常检测，造成的结果是数据检测不够精确，不能有效的对异常数据进行识别。另外，检测数据量也比较单一，只集中于重点关注的数据，对于所有数据不能有效检测。所以亟需一种有效的方法，能够对电网中所有监测的数据进行实时的检测，及时发现异常情况，保证电网运行安全。

发明内容

本发明的目的在于提供一种多元电网实时数据中异常数据的检测方法，以解决上述存在的技术问题。本发明的多元电网实时数据中异常数据的检测方法，能够准确、快速地检测出电力实时数据中的异常数据，且能够克服传统方法检测数据量较单一的问题。

为达到上述目的，本发明采用以下技术方案：

一种多元电网实时数据中异常数据的检测方法，包括以下步骤：

步骤1、获取待检测的多元电网实时数据；

步骤2、将待步骤1获取的待检测的多元电网实时数据按照时间序列进行排列；

步骤3、将步骤2处理完毕的待检测数据存入预设检测区间R中；

步骤4、计算检测区间R中数据的偏离距离；根据获得的偏离距离计算检测区间R中数据的相对偏离距离；

步骤5、将步骤4获得的相对偏离距离与预设的相对偏离距离阈值γ_i进行比较，判断得出检测的多元电网实时数据是否为异常数据。

进一步的，还包括步骤6，

步骤6，完成一次数据检测，被检测数据为异常数据，下一次检测时，将检测区间中异常数据用标准数据v₀进行替换；

标准数据v₀为所检测数据类型中数据的标准值或理想值。

进一步的，步骤1具体为：获取待检测的多元电网实时数据，建立数据存储数组；

将采集获取到的多元电网中单项同类型数据，存入数组中；获取到的待检测的多元电网实时数据按照表达式(1)和(2)格式进行排列：

TS_m＝[S₁,S₂,…,S_i,…,S_m] (1)

S_i＝[s₁,s₂,…,s_j,…,s_n]^T (2)

其中1≤i≤m,1≤j≤n，TS_m表示多元电网数据的时间序列表示的数据集合，m表示多元电网数据集合内数据类型的个数，S_i表示其中一个数据类型的数据集合，n表示S_i的长度；

所述s_j表示其中一个类型数据在某个具体采集时刻的数据值。

进一步的，步骤2中，将待检测数据按照时间序列进行排列具体包括：

s_j＝(v_j,t_j)，其中t_j表示s_j的时间标签，v_j表示时刻t_j的数据值；

时刻t_j与获取到多元电网中实时数据的真实时间一致；

t_j以预设的时间间隔严格递增；

S_i中数据以队列方式进行排列。

进一步的，步骤3中，引入预设检测区间R，将待检测数据存入检测区R中：

将待检测实时采集到的数据存入检测区间，对实时数据进行检测；

检测区间R的长度为L_R，检测区间R用于存放获取到的S_i中的部分数据；

检测区间R中部分时间序列数据可能简化表示为：

ST_t＝{v₁,v₂,…,v_t}(1<t<n) (3)

其中t＝L_R，为检测区间的长度；

所述S_i＝[s₁,s₂,…,s_j,…,s_n]^T中数据以队列方式排列，按照时间序列先进先出，检测区间R中ST_t＝{v₁,v₂,…,v_t}(1<t<n)选择S_i中前t项数据进行存储。

进一步的，步骤4中，计算检测区间R中数据的偏离距离和相对偏离距离的方法为：

S_i中数据按照队列排列，每变化一次，检测区间R中数据计算一次数据偏离距离；

v_t(1<t<n)与检测区间R中的全部数据ST_t的偏离距离用表示，计算式为：

当前值v_t与偏离距离的比值表示为当前值v_t的相对偏离距离，计算式为：

进一步的，检测区间R的设定方法为：

待检测数据S_i＝[s₁,s₂,…,s_j,…,s_n]^T在实时采集的数据中，数据以队列方式进行排列的，按照时间序列先进先出，检测区间中数据取S_i＝[s₁,s₂,…,s_j,…,s_n]^T中前t个数据；

S_i＝[s₁,s₂,…,s_j,…,s_n]^T中数据变化一次，即S_i′＝[s₂,s₃,…,s_j+1,…,s_n+1]^T，S_i′中数据个数不变，仍为n个，最新数据为s_n+1；

数组S_i＝[s₁,s₂,…,s_j,…,s_n]^T变化一次，检测区间中数据变化一次，新检测区间ST_t′＝{v₂,v₃,…,v_t+1}进行一次相对偏离距离计算，检测v_t+1是否为异常数据。

进一步的，步骤5中，与预设阈值比较并判断得出检测的多元电网实时数据是否为异常数据的方法为：

将检测区间R中所有数据的相对偏离距离与相对偏离距离阈值γ_i进行比较；

若数据的相对偏离距离小于等于预设的相对偏离距离阈值，则此数据检测结果为正常数据；否则，检测结果为异常数据。

进一步的，步骤5中，将检测区间R中数据的相对偏离距离与相对偏离距离阈值γ_i进行比较，并判断相对偏离距离与相对偏离距离阈值γ_i是否满足

若则v_t检测结果为正常数据；

若则v_t检测结果为异常数据。

进一步的，步骤5还包括；

若则对数据v_t及数据v_t所在检测区间R进行标记，并将此标记的检测区间R生成新检测区间ST′_2t，新检测区间ST′_2t长度L_R满足L_R＝2t；

所述新检测区间ST′_2t中存储有原检测区间ST_t中数据，且在新检测区间ST′_2t中随机插入t个已经检测过且为正常数据的历史数据{V₁,V₂,…,V_t}，新检测区间ST′_2t再进行偏离距离计算，并求出相对距离

若标记v_t为异常数据，将v_t存入异常数据数据库Ψ{·}中，完成异常数据检测。

与现有技术相比，本发明具有以下有益效果：

本发明的多元电网实时数据中异常数据的检测方法，通过计算相对偏离距离可达到比较好的收敛性能，并且算法实现相对容易；检测数据按照时间序列进行排列，实时性好，能够与多元电网数据库中数据同步；检测数据时对所检测数据不挑数据类型，数据检测多样性，所有类型数据能够同时检测，检测效率高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1为本发明的一种多元电网实时数据中异常数据的检测方法的步骤流程示意图；

图2为本发明的一种多元电网实时数据中异常数据的检测方法中数据分类示意图；

图3为本发明的一种多元电网实时数据中异常数据的检测方法中检测数据组成的检测区间示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

请参阅图1，本发明的一种多元电网实时数据中异常数据的检测方法，包括以下步骤：

步骤1、获取待检测的多元电网实时数据，按照类型和采集时刻建立数据存储数组。

步骤1的具体步骤包括：

将采集到的多元电网中单项同类型数据，存入数组中；

多元电源中，数据来源比较多，优选的按照以下格式进行排列，所获取到的待检测的多元电网实时数据，如式(1)和式(2)表示：

TS_m＝[S₁,S₂,…,S_i,…,S_m] (1)

S_i＝[s₁,s₂,…,s_j,…,s_n]^T (2)

其中，1≤i≤m,1≤j≤n，TS_m表示多元电源数据的时间序列表示的数据集合，m表示多元电网数据集合内数据类型的个数，S_i表示其中一个数据类型的数据集合，n表示S_i的长度；

所述s_j表示其中一个类型数据在某个具体采集时刻的数据值。S_i为多元电网中一种类型数据，但不限于一种类型数据，对于其他类型数据检测同理。对于其他类型数据检测时，相对距离阈值γ_i根据数据类型的性质来确定。

步骤2、将待检测数据按照时间序列进行排列。

步骤2中，用s_j＝(v_j,t_j)，其中t_j表示s_j的时间标签，v_j表示时刻t_j的数据值；时刻t_j与获取到多元电网中实时数据的真实时间一致；待检测的数据按照时间序列进行排列，因此在时间序列中t_j以一定的时间间隔严格递增的；S_i中数据以队列方式进行排列，按照时间序列先进先出。

步骤3、引入预设检测区间，将待检测数据存入检测区间中。

步骤3中，将实时采集到的数据存入检测区间，对实时数据进行检测；

检测区间R的长度为L_R，用检测区间R存放获取到的S_i中的部分数据；检测区间R中部分时间序列数据可能简化表示为：

ST_t＝{v₁,v₂,…,v_t}(1<t<n) (3)

其中t＝L_R，即检测区间的长度；

所述S_i＝[s₁,s₂,…,s_j,…,s_n]^T中数据以队列方式排列，按照时间序列先进先出，检测区间R中ST_t＝{v₁,v₂,…,v_t}(1<t<n)选择S_i中前t项数据进行存储。

步骤4、计算检测区间R中数据的偏离距离，再根据偏离距离计算数据的相对偏离距离。

S_i中数据按照队列排列，每变化一次，检测区间R中数据相应的计算一次数据偏离距离；

v_t(1<t<n)与检测区间R中的全部数据ST_t的偏离距离用离群距离表示：

当前值v_t与离群距离的比值表示为当前值v_t的相对偏离距离：

步骤4中，优选的，待检测数据S_i＝[s₁,s₂,…,s_j,…,s_n]^T在实时采集的数据中，数据以队列方式进行排列的，按照时间序列先进先出，检测区间中数据取S_i＝[s₁,s₂,…,s_j,…,s_n]^T中前t个数据；S_i＝[s₁,s₂,…,s_j,…,s_n]^T中数据变化一次，即S_i′＝[s₂,s₃,…,s_j+1,…,s_n+1]^T，S_i′中数据个数不变，仍为n个，最新数据为s_n+1；数组S_i＝[s₁,s₂,…,s_j,…,s_n]^T变化一次，检测区间中数据变化一次，新检测区间ST_t′＝{v₂,v₃,…,v_t+1}进行一次相对偏离距离计算，检测v_t+1是否为异常数据。

步骤5、计算检测区间R中数据的相对偏离距离，并与相对偏离距离阈值γ_i进行比较；通过相对偏离距离与相对偏离距离阈值γ_i进行比较，判断检测的数据是否是异常数据，并将异常数据存入异常数据库中。

当检测区间中出现第一个异常数据时，即v_t异常时，数据{v₁,v₂,…,v_t-1}为正常数据或其相对偏离距离没有超过阈值；

系统计算检测区间R中所有数据的相对偏离距离，并判断相对偏离距离与相对偏离距离阈值γ_i是否满足

若说明v_t检测结果为正常数据；

若则对数据v_t及数据v_t所在检测区间R进行标记，并将此标记的检测区间R生成新检测区间ST′_2t，新检测区间ST′_2t长度L_R满足L_R＝2t，所述新检测区间中存储有原检测区间ST_t中数据；

优选的，在新检测区间ST′_2t中随机插入t个检测过且为正常数据的历史数据{V₁,V₂,…,V_t}，新检测区间ST′_2t再进行偏离距离计算，并求出相对距离

若标记v_t为异常数据，将v_t存入异常数据数据库Ψ{·}中，完成异常数据检测。

步骤6，完成一次数据检测，被检测数据为异常数据，即数据v_t为异常数据时，下一次检测时，数据v_t+1也可能为异常数据，则将检测区间ST_t＝{v₁,v₂,…,v_t}中异常数据v_t用标准数据v₀进行替换，即新检测区间为ST_t′＝{v₂,v₃,…,v₀,v_t+1}；

标准数据v₀为所检测数据类型中数据的理想值；

新检测区间ST_t′＝{v₂,v₃,…,v_t+1}进行一次相对偏离距离计算，与相对偏离距离阈值γ_i进行比较，检测v_t+1是否为异常数据；

若v_t+1为正常数据，不做处理，检测区间变化一次，组成新检测区间；

若v_t+1为异常数据，v_t+1存入异常数据库Ψ{·}，检测区间中数据向左移动一位加入S_i中新的数据v_t+2，并将v_t+1用标准数据v₀进行替换，组成新检测区间，进行相对偏离距离计算，与相对偏离距离阈值γ_i进行比较，检测v_t+2是否为异常数据。本发明所述的多元电网实时数据异常检测方法，S_i为多元电网中一种类型数据，但不限于一种类型数据，对于其他类型数据检测同理。对于其他类型数据检测时，相对距离阈值γ_i根据数据类型的性质来确定。

实施例1

本发明实施例的一种多元电网实时数据异常检测方法，检测的数据为多元电网中采集的所有数据。本发明所述方法检测的数据均按照多元电网单项数据类型进行，如电压数据、电流数据、频率数据、负荷数据、机组数据等等所有类型数据。为便于处理，对于采集到的数据按照时间序列进行存储。所需要检测的数据都是单项同类型数据，但需要检测数据来源是多元的。

本发明实施例所述方法中，以一种类型数据检测为实施例进行说明。

请参阅图1，本发明实施例的一种多元电网实时数据异常检测方法，,包括以下步骤：

步骤一、获取待检测的多元电网实时数据，建立数据存储数组。

对于采集到的多元电网中单项同类型数据，存入数组中。由于多元电源中，数据来源比较多，优选的按照以下格式进行排列。

请参阅图2，所获取到的待检测的多元电网实时数据，如式(1)和式(2)表示：

TS_m＝[S₁,S₂,…,S_i,…,S_m] (1)

S_i＝[s₁,s₂,…,s_j,…,s_n]^T (2)

其中1≤i≤m,1≤j≤n，TS_m表示多元电源数据的时间序列表示的数据集合，m表示多元电网数据集合内数据类型的个数，S_i表示其中一个数据类型的数据集合，n表示S_i的长度。s_j表示其中一个类型数据在某个具体采集时刻的数据值。

步骤二、将待检测数据按照时间序列进行排列。

为了便于说明，优选的，用s_j＝(v_j,t_j)，其中t_j表示s_j的时间标签，v_j表示时刻t_j的数据值。时刻t_j与获取到多元电网中实时数据的真实时间一致。由于待检测的数据按照时间序列进行排列，因此在时间序列中t_j以一定的时间间隔严格递增的。S_i中数据以队列方式进行排列的，按照时间序列先进先出检测区间。

步骤三、引入检测区间，将待检测数据存入检测区间中。

本实施例中，为了保证数据检测的准确性，优选的，将实时采集到的数据存入检测区间，对实时数据进行检测。

检测区间R的长度为L_R，用检测区间R存放获取到的S_i中的部分数据.

检测区间R中部分时间序列数据可能简化表示为：

ST_t＝{v₁,v₂,…,v_t}(1<t<n) (3)

其中t＝L_R，即检测区间的长度。

由于S_i＝[s₁,s₂,…,s_j,…,s_n]^T中数据以队列方式排列，按照时间序列先进先出，优选的，检测区间R中ST_t＝{v₁,v₂,…,v_t}(1<t<n)选择S_i中前t项数据进行存储。

步骤四、计算检测区间R中数据的偏离距离，再根据偏离距离计算数据的相对偏离距离。

S_i中数据按照队列排列，每变化一次，检测区间R中数据相应的计算一次数据偏离距离。

v_t(1<t<n)与检测区间R中的全部数据ST_t的偏离距离用表示：

当前值v_t与离群距离的比值表示为当前值v_t的相对偏离距离：

请参阅图3，步骤五、计算检测区间R中数据的相对偏离距离，并与相对偏离距离阈值γ_i进行比较。

为了便于说明，本实施例中，当检测区间中出现第一个异常数据时，即v_t异常时，我们认为数据{v₁,v₂,…,v_t-1}为正常数据或其相对偏离距离没有超过阈值。

系统计算检测区间R中所有数据的相对偏离距离，并判断相对偏离距离与相对偏离距离阈值γ_i是否满足

若说明v_t检测结果为正常数据；

若则对数据v_t及数据v_t所在检测区间R进行标记，并将此标记的检测区间R生成新检测区间ST′_2t，新检测区间ST′_2t长度L_R满足L_R＝2t，所述新检测区间中存储有原检测区间ST_t中数据，如图3所示。

优选的，在新检测区间ST′_2t中随机插入t个检测过且为正常数据的历史数据{V₁,V₂,…,V_t}，新检测区间ST′_2t再进行偏离距离计算，并求出相对距离

若标记v_t为异常数据，将v_t存入异常数据数据库Ψ{·}中，完成异常数据检测。

优选的，本实施例中，待检测数据S_i＝[s₁,s₂,…,s_j,…,s_n]^T在实时采集的数据中，数据以队列方式进行排列的，按照时间序列先进先出，检测区间中数据取S_i＝[s₁,s₂,…,s_j,…,s_n]^T中前t个数据。S_i＝[s₁,s₂,…,s_j,…,s_n]^T中数据变化一次，即S_i′＝[s₂,s₃,…,s_j+1,…,s_n+1]^T，S_i′中数据个数不变，仍为n个，最新数据为s_n+1。数组S_i＝[s₁,s₂,…,s_j,…,s_n]^T变化一次，检测区间中数据变化一次，新检测区间ST_t′＝{v₂,v₃,…,v_t+1}进行一次相对偏离距离计算，检测v_t+1是否为异常数据。

优选的，本实施例中，完成一次数据检测，被检测数据为异常数据，即数据v_t为异常数据时，下一次检测时，数据v_t+1也可能为异常数据，为了防止检测出现偏差，将检测区间ST_t＝{v₁,v₂,…,v_t}中异常数据v_t用标准数据v₀进行替换，即新检测区间为ST_t′＝{v₂,v₃,…,v₀,v_t+1}。新检测区间ST_t′＝{v₂,v₃,…,v_t+1}进行一次相对偏离距离计算，与相对偏离距离阈值γ_i进行比较，检测v_t+1是否为异常数据。

若v_t+1为正常数据，不做处理，检测区间变化一次，组成新检测区间。

若v_t+1为异常数据，v_t+1存入异常数据库Ψ{·}，检测区间中数据向左移动一位加入S_i中新的数据v_t+2，并将v_t+1用标准数据v₀进行替换，组成新检测区间，进行相对偏离距离计算，与相对偏离距离阈值γ_i进行比较，检测v_t+2是否为异常数据。

综上，本发明提供了一种多元电网实时数据异常检测方法，通过对电力实时数据进行获取待检测的多元电网实时数据，建立数据存储数组；将待检测数据按照时间序列进行排列；引入检测区间，将待检测数据存入检测区间中；计算检测区间R中数据的偏离距离，再根据偏离距离计算数据的相对偏离距离；计算检测区间R中数据的相对偏离距离，并与相对偏离距离阈值γ_i进行比较；通过相对偏离距离与相对偏离距离阈值γ_i进行比较，判断检测的数据是否是异常数据，并将异常数据存入异常数据库中。其实现简单，能够准确、快速地完成对海量电力实时数据的异常检测，及时发现多元电网中异常数据，保证多元电网数据安全。

以上仅是对本发明的优选实施方式进行了描述，并不将本发明的技术方案限制于此，本领域技术人员在本发明的主要技术构思的基础上所作的任何公知变形都属于本发明所要保护的技术范畴，本发明具体的保护范围以权利要求书的记载为准。

Claims (10)

1.一种多元电网实时数据中异常数据的检测方法，其特征在于，包括以下步骤：

步骤1、获取待检测的多元电网实时数据；

步骤2、将待步骤1获取的待检测的多元电网实时数据按照时间序列进行排列；

步骤3、将步骤2处理完毕的待检测数据存入预设检测区间R中；

步骤4、计算检测区间R中数据的偏离距离；根据获得的偏离距离计算检测区间R中数据的相对偏离距离；

步骤5、将步骤4获得的相对偏离距离与预设的相对偏离距离阈值γ_i进行比较，判断得出检测的多元电网实时数据是否为异常数据。

2.根据权利要求1所述的一种多元电网实时数据中异常数据的检测方法，其特征在于，还包括步骤6；

步骤6，完成一次数据检测，被检测数据为异常数据，下一次检测时，将检测区间中异常数据用标准数据v₀进行替换；

标准数据v₀为所检测数据类型中数据的标准值或理想值。

3.根据权利要求1或2所述的一种多元电网实时数据中异常数据的检测方法，其特征在于，步骤1具体为：获取待检测的多元电网实时数据，建立数据存储数组；

将采集获取到的多元电网中单项同类型数据，存入数组中；获取到的待检测的多元电网实时数据按照表达式(1)和(2)格式进行排列：

TS_m＝[S₁,S₂,…,S_i,…,S_m] (1)

S_i＝[s₁,s₂,…,s_j,…,s_n]^T (2)

其中1≤i≤m,1≤j≤n，TS_m表示多元电网数据的时间序列表示的数据集合，m表示多元电网数据集合内数据类型的个数，S_i表示其中一个数据类型的数据集合，n表示S_i的长度；

所述s_j表示其中一个类型数据在某个具体采集时刻的数据值。

4.根据权利要求3所述的一种多元电网实时数据中异常数据的检测方法，其特征在于，步骤2中，将待检测数据按照时间序列进行排列具体包括：

s_j＝(v_j,t_j)，其中t_j表示s_j的时间标签，v_j表示时刻t_j的数据值；

时刻t_j与获取到多元电网中实时数据的真实时间一致；

t_j以预设的时间间隔严格递增；

S_i中数据以队列方式进行排列。

5.根据权利要求4所述的一种多元电网实时数据中异常数据的检测方法，其特征在于，步骤3中，引入预设检测区间R，将待检测数据存入检测区R中：

将待检测实时采集到的数据存入检测区间，对实时数据进行检测；

检测区间R的长度为L_R，检测区间R用于存放获取到的S_i中的部分数据；

检测区间R中部分时间序列数据可能简化表示为：

ST_t＝{v₁,v₂,…,v_t}(1<t<n) (3)

其中t＝L_R，为检测区间的长度；

所述S_i＝[s₁,s₂,…,s_j,…,s_n]^T中数据以队列方式排列，按照时间序列先进先出，

检测区间R中ST_t＝{v₁,v₂,…,v_t}(1<t<n)选择S_i中前t项数据进行存储。

6.根据权利要求5所述的一种多元电网实时数据中异常数据的检测方法，其特征在于，步骤4中，计算检测区间R中数据的偏离距离和相对偏离距离的方法为：

S_i中数据按照队列排列，每变化一次，检测区间R中数据计算一次数据偏离距离；

v_t(1<t<n)与检测区间R中的全部数据ST_t的偏离距离用表示，计算式为：

当前值v_t与偏离距离的比值表示为当前值v_t的相对偏离距离，计算式为：

7.根据权利要求5所述的一种多元电网实时数据中异常数据的检测方法，其特征在于，检测区间R的设定方法为：

待检测数据S_i＝[s₁,s₂,…,s_j,…,s_n]^T在实时采集的数据中，数据以队列方式进行排列的，按照时间序列先进先出，检测区间中数据取S_i＝[s₁,s₂,…,s_j,…,s_n]^T中前t个数据；

S_i＝[s₁,s₂,…,s_j,…,s_n]^T中数据变化一次，即S_i′＝[s₂,s₃,…,s_j+1,…,s_n+1]^T，S_i′中数据个数不变，仍为n个，最新数据为s_n+1；

数组S_i＝[s₁,s₂,…,s_j,…,s_n]^T变化一次，检测区间中数据变化一次，新检测区间ST_t′＝{v₂,v₃,…,v_t+1}进行一次相对偏离距离计算，检测v_t+1是否为异常数据。

8.根据权利要求1所述的一种多元电网实时数据中异常数据的检测方法，其特征在于，步骤5中，与预设阈值比较并判断得出检测的多元电网实时数据是否为异常数据的方法为：

将检测区间R中所有数据的相对偏离距离与相对偏离距离阈值γ_i进行比较；

若数据的相对偏离距离小于等于预设的相对偏离距离阈值，则此数据检测结果为正常数据；否则，检测结果为异常数据。

9.根据权利要求6所述的一种多元电网实时数据中异常数据的检测方法，其特征在于，步骤5中，将检测区间R中数据的相对偏离距离与相对偏离距离阈值γ_i进行比较，并判断相对偏离距离与相对偏离距离阈值γ_i是否满足

若则v_t检测结果为正常数据；

若则v_t检测结果为异常数据。

10.根据权利要求9所述的一种多元电网实时数据中异常数据的检测方法，其特征在于，步骤5还包括；

若则对数据v_t及数据v_t所在检测区间R进行标记，并将此标记的检测区间R生成新检测区间ST′_2t，新检测区间ST′_2t长度L_R满足L_R＝2t；

所述新检测区间ST′_2t中存储有原检测区间ST_t中数据，且在新检测区间ST′_2t中随机插入t个已经检测过且为正常数据的历史数据{V₁,V₂,…,V_t}，新检测区间ST′_2t再进行偏离距离计算，并求出相对距离

若标记v_t为异常数据，将v_t存入异常数据数据库Ψ{·}中，完成异常数据检测。