火电机组的性能监测对保证机组安全、环保和高效运行起着重要作用。利用数据融合技术对电厂的生产状况进行实时监测,并将监测结果记录在相应的介质上,便于整体掌握机组的运行状况,及时做出调整。本课题通过对火电厂的实地考察和学习,收集了取自谏壁电厂的机组实际运行数据,针对火电厂的生产特点和特殊要求,详细研究了基于数据融合的火电机组性能监测系统,并在Matlab软件环境下实现了数据融合的仿真验证。文章从单元机组的工作原理入手,分析了整个机组监测系统的特性和存在的问题,然后引入数据融合的相关理论和技术。经典的数据融合算法包括Bayes概率理论、D-S证据理论和卡尔曼滤波法等,它们在数据融合方面有着各自的应用,存在各自的优缺点。基于神经网络的数据融合方式是一种较为现代的数据融合方式,也是本次课题所采取的主要融合方式。在火电机组监测系统的数据融合方案设计中,首先介绍了融合的方式选择和整体结构,然后对融合所需数据的预处理进行了论述。本次数据融合采用了分级的融合方式,第一级采用的是自适应加权融合,这是对预处理之后的数据的初级融合,为更高层次的融合提供了保证,使其更加准确；第二级采用的是BP神经网络融合,作为现代数据融合方式,它适用于多源数据融合。在Matlab环境中构造合适的BP神经网络之后,利用一级融合之后的数据对神经网络进行训练,并利用测试集对网络进行测试,最后得到了符合要求的监测系统。在机组的实际运行中,根据监测系统提供的信息以及操作员的动作指令,机组设备做出相应的动作,以满足电厂的发电要求。