随着近年来工业物联网的快速发展,火电厂工业设备上部署了大量的传感器来实时地监测设备的运行状况,这种传感器记录的数据为多维度的时间序列数据。通过对数据中存在的异常进行检测可以来发现设备异常,但是常用的异常检测方法没有充分考虑多维时序数据中存在的关联性,其检测的准确性还有较大的提升空间。通过对时序数据中的关键变量进行预测然后对比预测值和真实值的差值也可以进行异常检测,当某时刻预测值和真实值差得过多时,则可以认为该时刻设备出现了异常,但这种检测方式非常依赖预测算法的表现,因此通过预测来做异常检测的关键在于如何提高预测算法的效果。本文的主要目标是针对火电厂工业设备传感器记录的时间序列数据,来改进相关算法从而提高对关键变量的预测效果。火电厂数据包括多个维度的变量,各个维度变量之间存在着关联性,同时数据在时序上也存在关联性,该预测问题属于基于多变量的时间序列预测问题。经过调研发现,若想提高对这类问题的预测效果,通常可从特征选择和时间序列预测算法两个方面入手,特征选择能够去除原始数据中某些冗余的特征变量从而降低数据维度并提高预测效果,而时间序列预测算法模型的选择也是提高预测效果的有效手段。基于上述问题,本文研究的具体工作内容包括:提出了一种基于最大相关最小冗余(Max-Relevance and Min-Redundancy,MRMR)和后向搜索结合的特征选择算法用于火电厂数据的特征选择;提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和梯度提升决策树(Gradient Boosting Decision Tree,GBDT)组合的时间序列预测算法,在算法模型中还借鉴了Embedding思想;为方便用户在真实工业场景中使用本文算法,本文中还将上述算法服务化并实现了服务化系统。此外,本文还对提出的算法进行了大量实验以验证其有效性,实验采用决定系数(R-Squared,R2)作为算法预测性能的评价指标。结果表明本文的特征选择算法在保证了现有算法的预测性能之外降低了算法运行的时间开销,而本文提出的时间序列预测算法模型在测试集上的R2分数为0.9315,其预测性能相比于GBDT(R2为0.8427)和单层LSTM(R2为0.8863)都有显著提升,也优于堆叠式LSTM(R2为0.9089),同时本文时间序列预测算法的训练时间和预测时间仅仅略高于单层LSTM,相比于堆叠式LSTM降低了一倍。