随着我国经济的不断发展,社会对于电力工业的需求也不断增加,而在我国电力结构中,火力发电依然具有十分重要的地位。大型火电机组结构复杂,系统众多,一旦某个系统产生故障,未被及时发现处理,很容易扩展为更大的故障,从而造成机组的非计划停机,不仅影响火力发电的稳定性,而且会提高运营成本,增加能源消耗。因此本文针对现役燃煤电厂锅炉燃烧系统进行研究,利用D-S多信息融合理论进行燃煤电厂锅炉燃烧系统的故障诊断,其提高了火电机组故障诊断的准确率,可以保障火电机组安全稳定的运行,降低运营成本,减少能源消耗。论文首先介绍了燃煤电厂锅炉系统的工艺流程,对其中燃烧系统的常见故障进行了简要描述,根据实时数据库中的采集测点以及专家知识,选择出燃烧系统的60个主要测点;并利用肖维勒准则法与Savitzky-Golay法对60个测点的数据进行异常值剔除、降噪处理,为接下来进行燃烧系统故障诊断分析提供高质量样本。然后提出了基于改进Murphy规则的燃烧系统故障诊断方法,对经过预处理的数据,利用Relief算法进行特征值提取,得到11个影响锅炉结焦故障的主要参数;将其作为输入变量,利用正常标签数据与故障标签数据对SVM、LVQ、PNN、BP四种智能学习算法进行训练,得到四种故障诊断分类模型;利用混淆矩阵、ROC曲线、AUC面积,对四种故障诊断模型进行性能评估,以便得到信息融合需要的m函数;最后利用D-S理论中改进的Murphy规则对四个故障诊断模型结果进行融合,得到最终的故障诊断结果。其次提出了基于FEKNN的燃烧系统故障诊断方法,这种方法主要特点为不需要故障标签数据,只用正常数据就可进行火电机组的故障诊断。对经过数据预处理的大量正常运行历史数据进行MDS降维;然后利用均值漂移聚类方法对正常历史数据进行聚类,形成燃烧系统正常运行状态库;最后采用FEKNN故障诊断方法得到燃烧系统运行状态曲线,以进行燃烧系统的故障诊断。最后论文叙述了火电集团智能诊断监测系统的建设,介绍了该系统的整体架构、实时数据库、分布式云计算系统以及通信架构,并对系统的各个功能模块进行了运行图形展示。