在我国电力行业,以煤炭为原料的火力发电方式一时难以彻底改变,煤炭作为主要的一次能源,是我国实现节能减排目标的关键。随着科技的飞速发展以及电力行业信息化程度的不断提高,火电厂存储的数据量呈爆发式增长,传统方法分析数据出现局限性,迫使当前每一个研究人员都必须寻求新的解决方案。运用基于大数据挖掘技术的建模方法深度挖掘火电机组经济性,对降低火电厂发电成本和污染物排放具有重要意义。首先,以火电厂经济性为研究对象,搭建了离线计算框架和实时计算框架,实例表明该计算框架能高效且稳定地运行。接着对采集的数据运用数据预处理方法,有效排除了无关数据对模型的干扰,为后续模型的建立奠定基础。第二,建立了火电厂能耗最优值经济性模型,用于确定可控运行参数和供电煤耗率的最优值。在离线计算阶段,针对传统Mini Batch K-means算法和FP-growth算法的局限性,利用分布式计算框架和K-means++的思想,构建了基于离线计算框架（Offline Computing Framework,OCF）的OCF-MBK-means算法和OCF-FP-growth算法。首先使用OCF-MBK-means算法对数据分别进行工况划分和数据离散化,最后使用OCF-FP-growth算法挖掘机组的经济性。在实时阶段,建立了一种新的在线经济性模型,以知识库为支撑,得到实时数据下的目标值。案例分析表明,经济性分析能得到全工况下的最优值,可有效降低供电煤耗率,提高火电厂经济性。第三,为了确定可控运行参数的调控顺序,对火电厂进行敏感度分析。首先基于离散小波变换（Discrete Wavelet Transform,DWT）、优化算法（Optimization Algorithm,OA）和支持向量回归（Support Vector Regression,SVR）提出了DWT-OA-SVR模型,并与SVR模型和OA-SVR模型进行对比,在模型精度方面,建立的DWT-ES-SVR模型优于其他模型。然后把DWT-ES-SVR模型作为敏感度分析的输入,得到参数的调控顺序。实验分析表明,敏感度分析能够确定不同参数的调控顺序,确保机组最快达到最佳运行状态。最后,为进一步挖掘火电厂的经济性及消纳风电并网带来的影响,提出了一种改进非支配排序遗传算法（Non dominated Sorting Genetic Algorithm-II,NSGA-II）和熵值法（Entropy method,EM）-优劣解距离法（Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS）相结合的新模型,用于解决厂级多目标负荷优化分配问题。首先针对原始NSGA-II的局限性,构建了新的拥挤度距离、精英选择、交叉算子和变异算子,并使用测试函数进行测试,得出改进NSGA-II比原NSGA-II更易跳出局部最优。然后使用EM-TOPSIS算法确定唯一最优解。最后把多目标厂级负荷优化分配模型运用在实际机组中。实验分析表明,所提模型不仅能降低火电厂发电成本,而且可以降低风电并网的随机性与波动性。