Las redes de sensores de monitoreo distribuido se utilizan en un número cada vez mayor de aplicaciones, especialmente con la llegada de las tecnologías de IoT. Esto ha llevado a una creciente demanda de herramientas analíticas no convencionales para hacer frente a una gran cantidad de señales diferentes. En este escenario, la modelización de series temporales en grupos similares representa un área interesante, especialmente para propósitos de selección de subconjuntos de características (FSS). Los métodos basados en algoritmos de agrupamiento son muy prometedores para FSS, pero en su forma original no son adecuados para manejar la complejidad de la dinámica temporal en series temporales. En este documento proponemos un enfoque de agrupamiento, basado en el análisis de redes complejas, para la FSS no supervisada de series temporales en redes de sensores. Utilizamos grafos de visibilidad natural para mapear segmentos de señal en el dominio de la red, luego extraímos características en forma de secuencias de grados de nodo de los grafos, y finalmente calculamos el agrupamiento de series temporales a través de algoritmos de detección de comunidades. El enfoque se probó en señales multivariadas monitoreadas en una planta de cogeneración de 1 MW y los resultados muestran que supera al agrupamiento estándar de series temporales en términos tanto de reducción de redundancia como de ganancia de información. Además, el método propuesto demostró su mérito en términos de retención de contenido informativo con respecto al conjunto de datos original en el sistema de monitoreo de condiciones analizado.