采集機組實時在線監測數據和大量歷史數據，并利用機組的設計參數和現場試驗數據，應用機理模型辨識、機器學習、大數據分析等技術，對機組復雜非線性系統的全工況精確狀態重構，建立包含混雜數據預處理、復雜熱力系統建模、能耗決策規則與知識提取，實際可達優化目標值確定與在線診斷應用的智能運行優化管控體系。
-
縮進采用機理模型加數理模型相結合的方法，基于反平衡熱力計算和生產事件尋因模型，提供穩態歷史尋優指導，實現機組運行經濟性全面節能診斷評價與優化。
-
縮進基于鍋爐在線試驗平臺，實現主力煤、常用混煤等入爐煤質主要負荷工況下的運行優化；采用穩態尋優優化指導模型，開展鍋爐配風和氧量控制優化。
-
縮進通過循環水動態模擬試驗，結合循環水運行參數和日常水質化驗參數，擬合循環水加藥模型，確定加藥量和加藥周期，通過水質分析不斷優化加藥模型。
-
縮進搭建機效監測試驗平臺，監測汽輪機效率變化。基于滑壓試驗平臺利用反平衡熱力計算模型，在線進行汽機熱耗實時計算，提供滑壓運行曲線。
-
縮進基于爐效試驗平臺，在線實時進行鍋爐效率計算，采用大數據算法對運行數據開展深度挖掘，提供煤種與磨煤機運行方式之間的組合。
-
縮進通過對循環水泵歷史運行方式進行大數據分析，在線給出循泵運行方式；監視冷端系統實時運行值，提供當前的循泵調度方式。
-
縮進依據受熱面積灰預警模型進行受熱面污染程度判斷，提醒吹灰操作，改變原有定期吹灰方式為按需吹灰，降低吹灰蒸汽損失，以及過度吹灰對受熱面的損傷。
-
縮進基于機組歷史運行數據，分析不同機組運行邊界條件下的煤耗特性，構建廠內負荷優化分配模型，提供智能優化算法，在線進行機組分配方案決策。
