火力发电是我国主要的发电方式,电站设备和系统的健康状态是影响电厂运行经济性和安全性的重要因素,电站设备的性能劣化评估对于指导预测性维护具有重要意义。随着电站信息化系统发展迅速,海量过程数据得以储存和利用,本文利用热工过程运行数据,通过数据驱动模型挖掘设备的特性变化,对电站设备的性能劣化过程进行追踪和评估,主要研究内容包括:首先,建立了热工过程特性模型,针对单一模型存在的过拟合问题,提出了一种基于二次学习的混合集成学习建模方法,提高了模型的精度和泛化能力。采用仿真算例对模型的性能进行了验证,并建立了SCR脱硝系统的喷氨量预测模型。其次,为得到表征SCR系统催化剂的性能劣化指标序列,采用分时段多模型建模方法建立了各月份的喷氨量预测模型,通过输入统一的标准工况得到喷氨量并将其作为催化剂各时段的活性监测指标,在此基础上,对催化剂的劣化趋势进行进一步研究,针对热工过程数据中的非常规因素,提出了一种基于小波分解的ARMA-GM（1,1）组合预测模型,将数据中趋势项和随机项等因素分离,提高了预测精度,并对未来几个月的SCR喷氨量进行了预测。然后,针对热工过程的连续运行数据,从概念漂移的角度对设备性能劣化过程进行了分析,建立了健康状态的离线模型,将实时的运行数据输入模型进行测试,通过构造衡量模型性能的统计指标R2等来监测设备的劣化程度,并对设备的劣化趋势进行了预测。采用仿真算例和SCR现场运行数据对模型进行了验证,证明了该方法的可行性。最后,基于风险理论,从电站设备当前劣化度和预测劣化度两方面对设备的运行状态进行了综合风险评估。针对热工系统的复杂性和人为因素导致的不确定性问题,提出了一种结合专家知识的模糊推理模型,建立了综合风险指标与设备劣化度的模糊关系,提高了评估结果的可靠性。