汽轮机组运行工况复杂多变且各能效状态指标相互耦合,这为机组能效状态监测与评价工作带来巨大的挑战。目前,电力行业中针对机组的能效状态评价,大多采用小指标打分分析方法,这种单参数分析方法忽略了能效状态指标间的耦合性。同时,行业内评价指标的权重系数一般由专家打分方法给出,具有较强的主观性,难以准确描述机组实际运行能效状态。随着数据挖掘和人工智能算法的快速发展,无监督学习算法能有效规避主观打分带来的偏颇,运用客观的数据来判定机组运行状态,对于提高机组安全稳定高效运行具有重要意义。首先,基于汽轮机组系统结构树,逐层对机组热力系统进行能效状态分析,确定各层级用来表征机组能效状态的指标,构建机组能效状态指标体系。并通过Neo4j图数据库展示出各层级指标间的联系,为机组能效状态监测与评价提供了基础。其次,基于所构建的汽轮机组能效状态指标体系,以机组历史数据为基础,通过数据挖掘确定机组能效基准状态:首先,基于高斯混合模型,对稳态筛选以及工况划分后的数据,进行多指标同步聚类分析,获取机组典型工况下的能效基准状态,然后通过BP神经网络模型回归得到全工况下的能效基准状态。接着,以确定的能效基准状态作为机组能效状态的评价标准,提出了基于最大信息系数法（MIC）和逼近理想解排序法（TOPSIS）相融合的机组能效状态实时评价模型。其中,通过MIC方法对机组各工况下的基准样本进行分析,获取机组能效状态指标之间的权重关系;然后运用TOPSIS方法对机组实际运行状态和基准状态作偏差分析,结合MIC方法所得各指标权重系数,获得机组实际状态与基准状态的贴近度并进行等级划分,从而实现能效状态综合评价。最后,将汽轮机组能效状态监测与评价模型运用于实际工程中。依托两台热电联产机组,开展机组能效状态监测与评价研究工作,完成热电联产机组智能安全监控与运行优化系统的开发,对于机组运行调整具有一定的指导意义。