热力过程的测量数据是机组性能监测、过程控制和运行优化等系统的应用基础，数据的可靠性和准确性是火电机组安全经济运行的重要保障，开展机组热力过程实时数据校正技术的研究具有重要的理论研究意义和实际应用价值。本文针对热力过程数据校正技术和应用进行了如下研究:　　 1、对热力过程数据特性及数据校正的框架进行研究，采用直方图法对机组的主要热力参数的分布特征进行统计分析，并且提出一种归一化权重型灰色关联度的计算方法，在灰色关联度计算模型中引入权重因子，提高了结果的可信度。　　 2、提出了一种基于核主元残差空间的异常变量简化分离算法，根据输入变量对残差统计量和主元统计量贡献率表达式之间的关系，对残差统计量的贡献率计算方法进行约简，消除了主元空间项对残差统计量贡献率的影响，在降低分离算法复杂性的同时提高了算法效率。进而提出基于核主元残差空间的非线性过程数据检验方法，并且给出相应的流程与步骤。　　 3、提出基于核主元分析结合模糊概率符号有向图的系统异常源诊断方法，在核主元分析对系统过程状态的监测结果的基础上，对所分离出的故障变量采用模糊概率符号有向图推理方法进行进一步诊断，同时通过调整故障指数有效地分辨传感器故障和系统过程故障，以揭示出系统的异常源。　　 4、建立了热力过程数据协调与显著误差检测的同步处理模型，采用鲁棒估计作为其中的优化目标函数，以抑制显著误差和随机误差非正态分布对协调计算结果的影响，引入AIC(Akaike information criterion)准则对数据协调模型进行评估，从而确定最优的模型参数。提出基于冗余解约束的改进遗传算法对数据协调模型进行求解，针对模型中的非线性复杂平衡约束采用分步处理的方式，在每次遗传操作完成后再通过系统约束条件求解冗余变量，同时引入动态参数调整策略和重插入算子，增强了算法的约束处理和全局搜索的能力。　　 5、提出了基于扩展Huber估计的迭代型最小二乘支持向量回归算法，设计了一种扩展型Huber估计函数，将该函数作为最小二乘支持向量回归训练的目标函数，在模型训练过程中，对训练集中的异常样本进行动态加权，根据回归残差的幅度调整权值大小，并通过迭代计算最终消除其对整体回归模型的影响，增强了回归算法的稳健性能，并兼具回归精度高和收敛速度快的优点。