冶金工业能源系统结构复杂、能源介质种类繁多、涉及设备种类多,现场数据对能源系统的安全性与稳定性有重要的指导意义。然而由于工业数据采集与监测系统的不稳定及易受干扰等特点,采集到的数据常存在异常,而异常数据的存在会影响基于数据的模型的建立效果,进而可能会对现场的能源系统平衡调度人员产生错误的引导。目前生产现场往往依靠操作人员的个人生产经验进行数据异常的判断,而诸多形式的海量数据使得人工判断方法变得不现实。本文根据钢铁企业的能源系统数据特性,将数据异常归结为类周期数据趋势异常与一般稳定数据偏离点异常两大类,提出基于自适应模糊聚类(Adaptive Fuzzy C-means Clustering, AFCM)的异常数据检测方法。对于第一种数据趋势异常,提出基于动态时间弯曲(Dynamic Time Warping, DTW)的序列伸缩方法,该方法在保持序列样本间相似性对应关系的基础上对划分得到的样本进行维度统一,然后结合AFCM进行异常检测。对于第二种一般稳定数据的偏离点检测,本文提出一种K最近邻AFCM (K Nearest Neighbors AFCM, KNN-AFCM)算法,该算法通过引入序列点邻近值信息与样本权重系数来检测稳定数据的局部异常。为验证所提方法的有效性,选取我国某钢铁企业能源系统中的实际数据进行验证实验。首先将本文所提方法与其它两种方法进行对比实验以验证其检测效果,之后讨论了部分参数选取对检测结果的影响。除此之外,针对第二种数据,通过实验验证了样本权重系数的作用及必要性。结果表明所提方法与原始AFCM及其它方法相比检测精度有明显提高。