工业过程中产生的数据大都属于时间序列数据，描述了不同变量随时间的变化情况。可以用以分析工业过程中部件，设备，系统等的不同特性。

工业过程如化工过程，传统能源动力过程中产生的数据在大部分时间下呈平稳状态。而新能源如风光的出力则波动情况较大，因此对新能源出力的预测是一件比较有意义的事。

而传统的火电气电已经比较成熟，我们更关注的是对已有机组的优化。时序数据可以用来分析机理复杂部分的特性，可以用于预测来更好地配置控制策略，同时结合机理知识可以建立更加准确的模型，用于监控以及做各种实验。

时序数据发展较成熟的方法有模式表示，相似性度量，聚类，分类，异常点检测，预测等。

其中时序预测因机器学习，深度学习的大火而发展迅速。根据笔者经验，多变量小数据集使用GBDT较好，复杂系统使用简单的深度学习就够用了，在文本翻译，图像识别等领域较火的seq2seq，transformer等复杂模型效果并不好。当然具体情况具体分析。要注意的是，在建立预测模型时，要以机理为主，机理不够清晰的地方再使用数据驱动方法。这样不仅能有效提高精度，还可以提高模型的可解释性和泛化能力，毕竟工业过程不像车牌识别那样对错误结果的容忍度高。