近年来,随着电力体制改革的稳步推进,各火力发电厂正积极地推进全面深化改革,发展信息化、智能化的火电机组信息系统,为下一步智慧电厂的发展奠定基础。目前,我国火力发电产业正处于高速运转之中,源源不断的数据正在被生产出来,如何辨识和修复其中的不良数据成为人们关心的热点问题。因此,本文从以下三个方面来深入探讨如何能够快速、准确地辨识和修复火电机组不良数据。针对目前现有的火电机组不良数据辨识方法存在的普适性较差、辨识结果没有参照依据、辨识准确率较低等问题,本文提出了不良数据HC-GSA辨识方法。首先,本文使用凝聚层次聚类算法结合未知真实Index的模型评估方法对围绕中心点的划分算法进行优化,提出了用于对历史正常数据进行运算的HC-Center聚类算法。其次,本文提出使用间隙统计算法对待测数据运算的结果与正常数据运用HC-Center聚类算法所得的结果进行对比,以类均方差值为依据实现不良数据的辨识。最后,经实验证明了本文所提出的方法能够有效地辨识出火电机组的不良数据,且与同类型算法相比具有更高的辨识准确率。针对目前现有的火电机组不良数据修复方法存在的无法准确地对连续性缺失数据或者数量较多的不良数据进行修复的局限性,本文提出了基于相似状态方法和SA-PSO-RBF修复算法的不良数据修复方法。首先,为保证修复后的数据能够最大程度的接近实际值,本文提出了用于选取与不良数据出现前一刻状态相似数据组的相似状态方法,目的是用来组建后续用到的神经网络算法的训练样本集。其次,本文又提出了使用模拟退火算法改良的粒子群算法为径向基函数神经网络的宽度参数和权值参数寻优并结合围绕中心点的划分算法为径向基函数神经网络计算得出的中心参数来构建神经网络预测模型的SA-PSO-RBF修复算法,该算法主要用于预测不良数据处的值,使用接近实际值的预测值来替代辨识出的不良数据,从而达到修复不良数据的效果。最后,经过实验验证,无论是多个非连续性的不良数据还是连续性缺失数据,本文所提出的方法均能够较为准确地对其进行修复,且与同类型算法的预测准确率相比,优势也较为明显。针对本文所提出的火电机组不良数据辨识与修复方法在待测数据量过大或训练样本过多的情况下存在的单节点计算资源不足、运算效率低下、耗时时间长等问题,本文提出将不良数据HC-GSA辨识方法和SA-PSO-RBF修复算法进行并行化处理。首先,本文分别为HC-Center聚类算法和间隙统计算法制定并行化方案来实现不良数据HC-GSA辨识方法的并行化设计。其次,本文对SA-PSO-RBF修复算法中资源消耗量大、耗费时间久的部分进行了并行化设计。最后,实验验证了本文提出的不良数据HC-GSA辨识方法并行化的设计和SA-PSO-RBF修复算法的并行化设计具有良好的准确性和较高的计算效率。