钢铁工业能源系统的数据准确性直接影响着调度操作人员决策的有效性。由于生产环境复杂,数据采集、传输设备受干扰大,导致采集到的数据具有高噪声甚至异常点,严重干扰了调度人员对系统未来运行趋势的判断。因此,研究钢铁能源数据的异常检测问题显得尤为重要。本文考虑钢铁生产过程中能源的发生、消耗以及存储单元的数据特征,将待测数据归类为单维时间序列与多维时间序列。针对具有类周期性特征的单维时间序列,提出了一种基于多准则评价的异常数据检测方法。考虑序列子周期长度不确定的特点,基于特征鲁棒局部加权回归分解得到周期分量,依据此对原序列进行周期性划分,结合峰度、变异系数、振荡系数、波形相似度以及异常波峰五个准则对各子周期序列的形态特征进行评价得到其离群程度,进而基于自适应模糊C均值聚类辨识出离群程度大于设定阈值的异常序列。针对变量间具有相关特性的多维时间序列,提出了一种基于变尺度HCA-DBSCAN结合制造行为的异常数据检测方法。为了降低其参数选择的复杂度,设计了基于概率密度估计的搜索半径自适应确定架构,并依据此半径提出了基于分割块的搜索策略,从而高效辨识局部疑似异常点集。针对分割块对边界点误检率过高的问题,提出了基于局部异常值的评估方法,采用该异常值的近似上界代替其本身进行计算,提高了算法效率。进而结合生产信号辨识出异常数据,实现了对多维时间序列中异常数据的快速高效检测。为了验证所提方法的有效性,选取国内某大型钢铁企业能源系统中的实际生产数据进行实验。将本文方法分别与基于距离的检测方法和基于密度的检测方法进行对比,通过误检率、漏检率以及检测用时三个指标对检测结果进行综合评价,结果表明所提算法的检测精度与效率均有明显提高。