中国是煤炭大国,年产原煤约32.4亿吨,洗煤厂洗选量为原煤产量的1/3,其中15%～20%为排放的煤矸石、煤泥等劣质媒,利用这些劣质煤发电,统称为煤矸石发电,目前,我国有煤矸石发电厂近200座。煤矸石燃烧发电是火力发电的一种形式,安全发电是发电厂生产经营和可持续发展的基础。本文从煤矸石安全发电角度出发,对其关键设备故障诊断进行了深入研究。本文在对影响煤矸石安全发电主要因素分析的基础上,确定了煤矸石电厂循环流化床锅炉为安全发电的关键设备之一,其安全运行程度直接关系着发电厂安全生产状况。据此,给出了锅炉安全运行因素关联关系图，该关联关系图明确地反映出了本文研究的煤矸石发电关键设备技术内容,由于煤矸石电厂胶带机输送的煤矸石成块状,胶带运输机的工作状态具有随机性和非线性特性,针对胶带运输机这一特性,提出了一种基于模糊多级支持向量机(FMSVM)的运输机故障预测方法。经分析和统计获得了火力发电厂燃料胶带运输机的十种故障样本，将模糊理论的多维多重语句与支持向量机结合,从而构建了识别这种随机非线性问题的FMSVM规则核函数:以随机统计的实测数据集为训练样本,以该核函数为准则实现故障识别及预测,仿真验证了该方法的有效性,并找出了各个故障支持向量SV之间的耦合关系。该方法与常规的SVM故障识别相比,不仅克服了SVM具有对噪声敏感的不足,而且更省时。针对煤矸石火力发电厂循环流化床锅炉风机非线性特点,提出了改进极大似然(MLE)的随机噪声非线性系统辨识方法。该算法在极大似然辨识的损失函数的隐函数中寻极小值,从而可准确识别出在全局随机噪声扰动下非线性系统的参数。黄陵煤矸石电厂的一次风机辨识仿真结果表明,IMLE算法辨识能准确辨识含有有色噪声的系统参数,与常规的递推极大似然方法比较,识别参数的误差小。且具有更快的收敛速度。根据辨识的参数,对电厂一次风机进行了高压变频改造,运行测试表明,节能效果达30%。锅炉是煤矸石发电厂安全发电的关键设备之一,在分析研究锅炉系统主要部件的典型故障和隐含故障案例及其处理方法的基础上,针对锅炉引风机的烟气含氧量具有多因素影响的非线性特性,提出了最小二乘支持向量机(LS-SVM)的烟气含氧量模型辨识方法,利用非线性映射,将输入向量从原空间映射到一个高维的Hilbert空间,在这个高维空间中,采用损失函数最小的概念,利用原空间的SVM核函数取代高维特征空间的内积运算,从而将非线性函数估计问题转化为高维特征空间中的线性函数问题,用实测数据对影响锅炉稳定运行的关键参数:烟气含氧量、煤矸石流量和返料风压的进行了辨识预测,结果表明,该方法精度较高(误差小于6‰);与基本的SVM 比较,减少了计算量,而且将最小二乘、SVM和调整神经网络RBF特征有机统一。在上述基础上,建立了基于免疫算法协同控制方法,进而提出发电过程隐含故障预测与诊断方法,大量实测数据仿真验证了方法的有效性。对火电厂电气设备典型接地故障案例进行了分析,针对供电系统单相接地故障特征提出了改进的小脑模型神经网络(ICMAC)对暂态电容电流的辨识方法,并进行了仿真验证和评价;针对电厂供电出现的几次问题,对厂用电进行了重新核算与整定,避免了定值不准造成的故障再次发生,为厂用电系统安全可靠性提供了保障。