偏差分析法是一种有效的机组性能监测方法，对关键性运行参数进行监督分析，根据其与应达值的偏差尽量减少可控损失。但应达值确定不合理是限制偏差分析法的广泛应用的主要因素。 本文探讨了基于运行偏差分析法的火电机组能损诊断和节能分析方法中运行指标应达值的确定，采用神经网络为代表的人工智能建模方法以及遗传算法的全局寻优功能，使偏差法建立在实际运行工况的基础上，避免了由于现有变工况模型不完善或不适合所导致的误差，具有真实反映机组性能的特点。 根据华能大连电厂2005年的DCS系统采集的历史数据，采用自组织特征映射网络(SOFM)结合BP神经网络方法建立了稳态运行工况下的锅炉效率、发电煤耗及汽轮机热耗率等经济性指标的模型。采用SOFM网络的聚类功能，解决了传统样本提取方法正交性和完备性差的局限性。实现了对该指标的模拟预测，与实际数据的大部分误差都不超过2％，有良好的预测能力。利用该模型对不同工况下的运行参数进行仿真模拟，结合遗传算法，以各运行参数为待优化变量，以经济性最高作为优化目标函数，神经网络输出作为遗传算法的适应值函数，并行搜索各运行参数的应达值，进而确定各参数偏离应达值造成的能损偏差。 建立汽轮机发电功率和循环水系统功耗神经网络模型以确定不同工况下凝汽器真空运行最优值，实现对二者的模拟预测，有很高的精度和可靠性。在此基础上，建立发电功率与凝汽器真空的优化模型，确定热力系统各主要参数对汽轮机功率的影响以及凝汽器真空的运行应达值，以机组的最优运行为目标，优化可控参数，达到降低能耗的目的。与传统的方法相比，该方法具有明确的设备针对性，充分考虑到了各参数的非线性以及参数间耦合关系的复杂性，为机组经济性能的在线监测、能耗分析、运行指导以及生产管理提供了切实可靠的分析依据，有利于提高电厂生产和管理的现代化水平。