摘要：继电保护自动设备是确保高压网络安全稳定运行的主要防线之一。但基于当前主网拓扑结构复杂、线路架构繁多、分布跨度较大的应用场景环境下,保护设备的潜在运行异常甚至故障难以完全避免;同时,保护设备种类、功能、分布的多样化也对设备的缺陷管理与检修反措提出了挑战。故亟待研究兼顾时效性与全面性的设备异常状态风险自动预警技术。为此,针对继电保护自动设备,提出一种基于数据挖掘的异常状态风险实时检测模型。其中,首先采用独立成分分析方法,生成独立分量的线性组合以面向海量异构监测数据实施降噪,能够有效提升高维数据条件下的运算效率;其次,构建深度学习前馈神经网络,使用端到端的训练方法以实现时间序列的异常检测,能够有效缓解多类别时序条件下的运算复杂度。最后,以某地区主网保护系统设备异常数据作为仿真实例,实验结果验证了所设计模型的异常检测性能,能够助推设备安全风险的自动识别和及时应对。