低碳和节能减排战略的加快实施促进了风电、光伏等清洁分布式能源的发展,大量分布式电源的接入加剧了配电网的动态波动特性。为了实现电网的安全、可靠运行和精细化管控,能源互联网和信息物理系统得到了大力发展,越来越多的先进计量和通信设备在配电网中相继出现。配电网的高度智能化和自动化在提高能源利用效率和促进新能源消纳方面发挥着重要作用。然而,配电网在数字化、智能化以及有源化转型过程中,其形态也在发生改变,增加了配电网的复杂性、不确定性、脆弱性和可攻击性。由此产生的异常数据在参与电网运行和调度时,会导致错误的系统状态分析和决策,严重危害电网的安全稳定。因此,本文对智能配电网异常数据特征和检测方法进行了研究。主要研究内容如下:（1）考虑配电网运行特性和多能耦合关系,基于k-means聚类和形态相似性度量提取多元数据特征。首先,分析了智能配电网异常数据的产生原因和辨识流程,并对历史数据进行清洗以获取高质量样本。然后,基于高质量样本数据采用k-means聚类和箱线图法进行分析,获取电压、电流、功率等特征数据的区间时间序列,以量化各时刻采样数据的边界特征。同时,考虑电压越限、三相不平衡等配电网运行技术需求,提取了电压偏差、三相电流不平衡度和三相电压不平衡度三种衍生特征。此外,针对高质量样本数据采用形态相似性度量方法提取多元源荷耦合特征,从角度、时间长度、最大、最小和值区间相似性五个方面进行源荷形态相似性度量,结合样本数据提取多元源荷的内、外耦合特征。（2）考虑配电网运行数据的边界特征和衍生特征,基于改进随机森林算法提出了智能配电网多节点异常数据快速辨识方法。首先,结合配电网多节点异常数据辨识需求,从数据集构造、Bootstrap抽样、决策树生成和多节点投票四个方面改进随机森林,基于样本数据和衍生数据构造多节点样本矩阵,采用包含两次随机抽样的Bootstrap方法实现多节点采样,引入信息增益率验证最优特征以优化决策树,提出多节点辨识结果投票方法,形成决策树子集和对应的决策矩阵,按行或列投票确定检测结果。其次,对算法运行过程进行并行分析,基于数据并行和任务并行设计算法并行策略,以实现快速辨识。最后,通过仿真实验优化决策树、特征选择数量等算法参数。实验表明,本文方法能够有效实现多节点异常数据的同时检测,并且提高了辨识准确度和效率。（3）考虑多元源荷数据的耦合特征,基于多任务随机森林研究了多元源荷异常数据检测方法。首先,从同步系数和互补系数两方面分析源荷耦合特性,定量描述多元源荷间的耦合程度。其次,构建多任务随机森林模型,利用历史源荷和耦合特征数据构造样本矩阵,基于改进Bootstrap方法抽样生成多元源荷训练子集。构建联合低秩稀疏结构的多任务学习模型,通过正则化约束低秩和稀疏矩阵,采用十折交叉验证确定正则化参数,求解多任务模型获得特征权重矩阵,量化表达了多任务间的相关性。最后,结合特征权重矩阵和训练子集得到加权训练子集,生成决策树辨识不同源荷异常数据,实现多任务间相关性的信息共享。实验表明,本文方法能够有效利用多元源荷共享信息,提高了模型的异常数据检测性能。