La detección de anomalías en equipos de energía es esencial para garantizar el funcionamiento estable de los sistemas de energía. Los modelos existentes tienen altas tasas de detección falsa y de omisión en escenarios de clima complejo y equipos de múltiples escalas. Este documento propone un algoritmo de detección de anomalías basado en YOLO-SRSA. Para la mejora de datos, se aplican transformaciones geométricas y de color, así como simulaciones de lluvia y niebla para preprocesar el conjunto de datos, mejorando la robustez del modelo en condiciones climáticas complejas al aire libre. En las mejoras de la estructura de la red, primero, se introduce el módulo ACmix para reconstruir la red SPPCSPC, suprimiendo efectivamente el ruido de fondo y la interferencia de características irrelevantes para mejorar la capacidad de extracción de características; segundo, se integra el módulo BiFormer en la red de agregación eficiente para fortalecer el enfoque en características críticas y mejorar el reconocimiento flexible de imágenes de características de múltiples escalas; finalmente, la función de pérdida original se reemplaza con la función MPDIoU, optimizando la precisión de detección a través de una estrategia de evaluación integral de cajas delimitadoras. Los resultados experimentales muestran mejoras significativas sobre el modelo base: mAP@0.5 aumenta del 89.2% al 93.5%, la precisión sube del 95.9% al 97.1%, y el recall mejora del 95% al 97%. Además, el modelo mejorado demuestra un rendimiento superior contra interferencias en condiciones climáticas complejas en comparación con otros modelos.