随着近些年通信,计算和嵌入式系统技术的飞速发展,物联网系统已广泛部署在不同类型的应用场景中,例如智能家居,智能医疗,智能交通,智慧能源以及工业自动化等。随着智能电网的不断建设,TSDB数据库中收集到的负荷数据也成指数倍增加,如何从这些数据中挖掘出用电行为和状态,并对可能存在的用电异常进行检测,对于保障电网的安全稳定运行具有重要意义。因此,本文基于分解与重构的方法从一个真实的多维物联网用电数据集中挖掘电力负荷特点从而进行异常检测,在数据重构前添加了STL分解过程,降低了异常点对检测结果的影响。并对传统的重构模型进行修改,融入了GRU模型以捕捉时序信息,使模型更适用于时序数据。具体步骤包括以下几个部分:首先,针对收集到的小样本时序数据,我们从时域和幅域的角度使用切片、时域扭曲、随机采样、抖动、缩放、幅度扭曲六种数据扩充手段将原始数据集切分并扩充至15万余条数据,极大的扩充了数据量,并根据实际数据含义及存在的问题对原始数据进行清洗,从而为后续的深度学习模型打下了可靠的数据基础。其次,在数据预处理部分,我们针对数据不足、电表反接、数据错误以及数据不可信四种情况对数据进行相应修正,并对分情况对缺失值进行填补,进一步提升了数据的可信度。紧接着,在输入重构模型之前,我们添加了一步数据分解过程。分解过程使用了标准STL分解以及鲁棒性STL分解方法,并分别对点异常、上下文异常以及集体异常三种异常类型的序列分解结果进行可视化,对两种分解方法进行杜比的同时也对不同类型的异常结果进行分析。最后,将此前两种分解得到的余项序列分别输入重构模型进行异常检测。我们针对传统的变分自编码器加以改进,融入GRU神经网络以融入时序信息,并利用改进后的KLVAE模型对数据进行重构;其后,我们再利用Fisher散度衡量替换K-L散度,并利用改进后的FVAE方法对数据进行重构。针对重构模型输出的异常分数,我们利用五折交叉验证的方法,选择训练集上表现最优的阈值对异常分数进行分类。实验结果证明了在本文所使用的物联网多维时序数据上,本文创新的组合模型（R-STL+FVAE模型）不论是在模型精度还是稳定性方面,表现均优于此前的Donut以及STL-VAE为代表的传统模型。