近年来供热二次管网的平衡调控与节能逐渐成为供热企业关注的焦点。随着热计量器具的大量安装和海量数据的自动采集,供热企业积累了大量的供热末端数据。但是这些数据有着数据量大、存在较多缺失值及有一定失真度等问题,使得供热企业缺乏合适的平台工具发挥这些数据的作用。基于上述问题,本文对热计量表数据进行清洗与筛选,通过分布式孤立森林算法将异常点筛选出来,并使用高斯混合模型算法将异常点聚类,从而正确识别出供暖异常情况。本文以实际工况下的供热数据为原始数据,利用Spark并行化的优势对数据库中的多个大表进行信息整合与过滤,通过拉格朗日插值算法对缺失值进行填补,应用统计方法与绘图的方式简单分析供热数据的特点,并通过互信息过滤法和随机森林嵌入法相结合的方式对数据集进行特征选择。本文分别设计并实验K均值算法(K-Means)、高斯混合模型算法(GMM)、孤立森林算法(IForest)来检测出供热异常的数据,通过实验可以得出孤立森林算法在误报率(FPR)和查全率(TPR)等指标都优于异常检测常用的K均值算法和高斯混合模型算法。本文开发了基于大数据分析的供热质量监测系统,该系统集成了 Spark大数据读取模块、数据清洗模块、数据可视化模块、生成异常报告模块,封装了多种异常检测的算法,使供热企业能够更加方便的获悉供热质量的情况,以便快速及时的采取相应的措施来解决供热异常的问题。