随着城镇化的不断发展与进步,集中供热扮演着越来越重要的角色,而其中存在的问题也不断突显。集中供热异常检测需要耗费巨大的人力物力且存在准确度差、反映慢等缺点。与此同时,传统的供热数据研究方法思路主要针对在数据的“点”应用上,根据“点”数据的不同来判断供热是否出现异常状况,但是供热系统本身存在“高迟滞”问题,即系统调节相对于气温的滞后性和系统调节相对于供热管网热量的滞后性。如果数据发生较大规模、较长时间偏差,那么这些算法检测的结果与实际情况就存在很大的差异。因此针对集中供热系统存在的问题,同时为了更加准确地找到供热数据异常值及异常子序列,本文对集中供热数据展开了研究。通过对集中供热监测的数据进行分析,发现集中供热监测数据的曲线存在高度的相似性。据此提出了一种基于单指标皮尔逊相关系数的局部周期性异常检测方法,该方法利用基于正则互表示的无监督特征选择算法,选择出回水温度作为本次实验的“单指标”特征,同时,以各个系统之间24小时为周期计算得出回水温度监测数据的皮尔逊相关系数,并依据k-means聚类的方法,将其划分为不同的三种类别,该方法可以获得皮尔逊相关系数较低的两类并将其对应的回水温度监测数据存入待识别区。其次,提出了一种基于皮尔逊相关系数的滑动窗口方法,该方法在异常数据中通过变化滑动窗口的大小获得不同规模点集,根据肘部曲线图确定滑动窗口的大小,并迭代计算待识别区内的数据,以此获得异常子序列。研究表明,用回水温度曲线及皮尔逊相关系数作为判断异常数据的标准,通过研究“段”数据,而不是“点”数据,使得在异常检测上更具准确性,同时利用kmeans聚类方法将相关系数较低的对应的回水温度检测数据存入待识别区完成首轮筛选,最后对待识别区数据采用滑动窗口方法确定窗口的长度和位置,以此获得异常数据的取值范围。本文提出的方法能够有效的检测出供热数据异常及异常子序列,该方法准确度高且在异常发生后具有反应较快的特点,同时该方法降低了算法复杂度,为具有“高迟滞”特点的供热数据异常检测提供了一种新的思路。