火力发电一直是我国主要的发电方式,近年来,随着新能源的快速发展,参与深度调峰的火电机组面临着更高的运行要求。随着大数据技术和现代信息系统在电厂的广泛应用,电站设备的海量数据被采集并保存。如何对电站设备海量运行数据进行挖掘,建立有效的电站设备运行状态监测与诊断模型,为电站设备安全稳定运行提供理论依据,是目前国内外学者研究的热点。针对电站设备过程数据多源、异构且参数间关系复杂的特点,本文利用案例推理方法,围绕电站设备故障诊断模型及其应用开展了研究。主要研究工作内容如下:考虑到电站设备运行数据具有高维度、多模态和强噪声干扰的特点,针对传统方法在故障诊断过程中故障信息提取能力不足的问题,本文提出了一种基于K-模糊C均值-主成分分析-改进最小角回归（KFCM-PCA-ILARS）的数据案例表示方法。该方法首先利用数据预处理方法对正常运行数据进行数据预处理来获取高质量的训练数据,然后将KFCM方法引入PCA故障监测模型,从而保证了监测模型对电站设备全工况数据的适用性,以此来确定故障发生的准确时间段。随后,采用ILARS算法将故障样本转化成故障案例样本,从而构建统一表示形式的电站设备案例库。最后,以数学算例和磨煤机故障为例,对基于K-模糊C均值-主成分分析-最小角回归的案例表示方法的有效性进行了验证。针对电站设备传统案例检索方法诊断率较低问题,提出了一种基于自适应遗传算法-深度置信网络（AGA-DBN）的案例检索方法。通过贪心逐层训练基于DBN的案例检索模型,并结合AGA优化神经网络初始化参数,提高了检索模型训练收敛速度和诊断准确识别率,实现故障案例的有效检索。最后,以数学算例和磨煤机故障为例,对基于自适应遗传算法-深度置信网络的案例检索方法的有效性进行了验证。针对电站设备案例库中具有明显动态特性的故障难以得到有效诊断的问题,提出了一种基于自适应遗传算法-卷积神经网络（AGA-CNN）的电站设备案例检索算法。采用滑动窗算法生成模型训练样本与测试样本,建立基于AGA-CNN的案例检索模型,充分利用卷积神经网络的局部信息提取能力提取动态特征,提高了具有动态特性的故障的诊断准确率。最后,以田纳西-伊斯曼过程和磨煤机堵煤故障为例,对基于自适应遗传算法-卷积神经网络的案例检索方法的有效性进行了验证。基于.NET平台,开发了电站设备故障诊断平台,对软件结构、功能模块及程序流程等进行了分析,并给出了案例推理的实际操作案例,以某电站故障诊断系统为例,对所开发平台的运行效果进行了验证。