近年来随着火电机组承担越来越多的调峰任务,火电机组的节能关注点也从额定工况运行优化转移至了全工况运行优化,对运行优化方法的研究方法提出了新的要求与挑战。目前的节能优化方法要求做到对机组各设备之间耦合性的研究,对机组全工况下热力性能的研究,对机组与外部边界条件之间影响的研究。在这种背景下,使用机器学习方法,结合机理与数据算法的火电机组建模方法具有重要意义。同时,在建立机组数据模型之后,可以通过分析模型属性来实现实时能损分析,以达到运行优化的目的。本文首先分析了机组历史数据的特征,提出了基于移动窗口统计距离的稳态数据的判别方法。通过对历史数据的分析,得到了数据中存在大量冗余属性与强相关属性的结论。同时,以K-means方法对机组历史数据进行聚类,实现科学的工况划分。根据火电机组测点表进行了冗余属性合并,并且利用Pearson相关性系数来计算两属性之前的相关性,并进行前向特征选择以合并具有较强相关性的属性,以实现数据初步降维。在剔除冗余属性与强相关属性之后,机组历史数据仍然具有较多的参数(测点)数量,因此本文研究了粗糙集的理论基础与粗糙集属性约简的基本算法。在建立决策表的过程中,选取机组最主要的经济性参数—供电煤耗率作为决策变量。通过机组历史数据构建决策表,实现了机组运行数据的约简,成功使数据的维度降低到了可以进行机器学习的程度,避免了过高维度带来的维度灾难与缓慢的训练过程。为改善机组运行过程中的基准值即目标值确定方法中存在的问题,本文使用了火电机组隐性运行状态的概念,将机组的运行过程视为马尔可夫过程。建立机组隐性状态转移概率矩阵与运行状态转变概率矩阵。通过对潜在目标值的隐性状态转变概率进行分析,判断其是否具有保持机组较优运行水平的趋势,用以判断是否将该运行工况存入基准值数据库。通过分析火电机组运行机理,结合神经网络方法,建立了火电机组的神经网络模型。以机组不同部件之间的连接为指导,设计了神经网络输入层与隐藏层之间的局部连接方案,以实现特征提取层与特征比较层。使用BP算法训练不同工况划分下的神经网络参数。在得到收敛的网络参数后,将神经网络应用于在线运行节能诊断,分析特征提取层之间的较大偏差存在位置,并且进行误差反向传播以寻找直接影响能耗的参数。通过对某660MW机组进行算法试验,得到了输入参数对于决策变量的影响程度,分析出了能损发生的位置以及提供了调整意见。