火力发电是我国国民经济的支柱产业,也是促进经济健康快速发展的重要保障。因此,针对发电机组设备热工过程状态监测的研究具有重要的价值与意义。在发电机组中广泛使用的信息化系统,为长时间采集机组运行数据提供了良好的条件,为基于数据的运行状态监测提供了新的技术手段。然而,由于这些数据具有非线性、强耦合性、大规模及时变性等特性,给人工分析带来了巨大的困难,需要借助数据挖掘的相关理论及方法开展深入研究,以达到对发电机组设备热工过程状态监测的目的。本文以典型发电机组设备热工过程为研究对象,从多元时间序列数据分割的角度出发,提出一种基于核主成分分析及演化理论的Gath-Geva聚类时序分割方法。主要内容如下:1、针对发电机组设备热工过程数据所具有的非线性及强耦合特性,提出一种基于核主成分分析法和Gath-Geva模糊聚类的多元时序分割算法,即KPCA-GG算法。根据Gath-Geva模糊聚类算法所得到的聚类结果,利用核主成分分析法提取类簇之间的非线性特征并构造非线性分析模型,将类簇在该模型空间中的距离作为类簇相似性分析及合并的标准,提高聚类分割算法对非线性数据的准确性,从而达到对该类数据状态监测的目的。2、针对发电机组设备热工过程数据规模大以及时变特性,将演化聚类理论融入上述KPCA-GG算法,提出一种可用于实时聚类的演化KPCA-GG分割算法。根据演化聚类的理论框架,考虑上一时间段数据聚类模型与当前时间段数据聚类模型之间的差异,把历史信息正则化项加入到KPCA-GG算法的目标函数建模中,从而将静态的KPCA-GG聚类分割算法扩展为动态的KPCA-GG聚类分割算法。所提出的新算法能够克服静态算法只能分析单一时间段的缺点,实现了动态的聚类分析,实时得到分割结果,更好地处理具有大数据量以及时变特性的非线性数据。3、为了验证算法的有效性,利用本文提出的方法对“云南省水火电机组状态监测中心数据采集与监控系统”中采集的数据进行研究。以高压加热器为代表设备进行状态监测实验,并给出相应的实验图、实验数据及研究结果。旨在说明本文方法用于热工过程设备状态监测的优点:适用于非线性数据的实时分割处理。4、利用MATLAB的图形用户界面化功能开发一套基于本文方法的数据分析工具。该工具能够显示系统数据的处理过程,能够将算法的运行效果可视化并且有利于参数调整。