现代的电力企业是资金与技术密集型的企业,这主要体现在设备的管理中。设备运行、检修等生产活动的高效率和规范化是整个企业健康运营的核心。设备的优良运作,是企业生存、创造经济效益的基本条件,更是安全生产的保障。电厂设备检修系统完成对设备运行状态的准确诊断与预测,对设备的安全运行和国民经济发展具有重要的意义。经典的用于电厂设备运行状态识别与诊断的数据挖掘算法有决策树算法、神经网络和支持向量机。本文在分析各种经典决策算法优缺点的基础上,将一种改进的支持向量机的方法用于电厂设备运行状态的诊断和预测。改进的支持向量机方法是以支持向量机为核心算法,利用量子遗传算法动态搜索支持向量机的最优训练参数。实验验证,此模型在设备的故障诊断和预测上具有更高的准确度。本文在电厂企业资产管理项目的基础上,结合了数据挖掘方法,将海量的设备运行数据进行深入挖掘,建立了电厂设备故障诊断和预测模型,并将其应用于电厂设备决策支持系统中。通过系统展现的设备故障列表、设备运行状态曲线对比图、设备运行趋势分析图、设备缺陷分析图等,为各领导岗位和电力运行人员做出设备重点监视、巡回监视或是维修更换的决策提供支持。该系统基于B／S架构,使用MVC模式实现,主要包括用户管理、设备信息管理、设备缺陷管理、设备运行管理和设备中心知识库五大模块。基于数据挖掘的电厂设备检修决策支持系统的实现,对节约设备检修成本,提高设备利用率具有重要的意义。