近年来,由于工业、金融、网络安全等领域的飞速发展,随时间而产生的时间序列数据广泛存在于各个领域。而数据的安全问题受到越来越多的重视,异常检测领域也受到了研究者的密切关注,异常检测就是通过数据挖掘分析来发现不符合正常定义的数据技术。我国供热领域能耗是资源能耗中最严重的一部分,因此应用到供热领域的异常监测可以更加合理的为供热系统提供有利信息,在达到最低供热要求的情况下,降低供热能耗。本文主要研究了基于偏差的异常监测方法,通过预测模型回归得到的拟合值与原始数据真实值相比较来确定异常。针对影响供热指标的自然因素如气象仪温度、气象仪日照、气象仪风速等,提出了一种基于LSTM神经网络模型的单维度异常监测方法,并对监测到的异常数据值提出了一种异常的判定方式,从而能对异常数据进行有效判定。对于供热系统运行时的多个参数比如锅炉房供水温度、锅炉房回水温度、锅炉房供水压力、锅炉房回水压力等提出了基于皮尔逊相关系数(PCC)与LSTM神经网络的多维度异常监测方法,对比了长短时记忆神经网络与改进的PCC-LSTM网络,通过实验表明PCC-LSTM模型的预测精度和模型的收敛速度较原始LSTM模型大有所提高,在PCC-LSTM模型的基础上进行了多维度的异常监测。最后为了确保多维度异常监测的准确性,提出了一种基于PCC-LSTM多维度异常监测与单维度异常监测阈值的对比方法,保证了异常检测的精准度。