随着我国电力产业规范化、智能化发展,电力生产信息化水平越来越高,电力生产过程产生的海量数据作为煤电机组运行方式研究的数据支撑成为当前提升煤炭利用效率和降低能耗与环境污染的重要手段之一。电力生产过程产生的数据具有体量大、数据结构复杂等特点,基于电力生产过程知识进行煤电机组运行方式研究,对于提高煤电机组运行的经济性,降低能耗与环境污染具有一定的可行性。本文依托某电厂电力生产分散控制系统DCS和电力监控信息系统SIS数据库,调取某1000MW电站一台机组2018年运行数据,首先,基于时间序列对采集数据进行清洗,构建健康样本数据;其次,采用K均值算法对含有不同特征的变量进行选取及确定基准值,结合GRNN神经网络预测电机组运行方式工况下的目标值;第三,采用煤电机组负荷与温度的边界条件进行稳定运行工况划分,采用K-means聚类算法对划分机组工况进行聚类,计算数据之间的关联度获得优秀样本数据下的数据组合;最后使用本文设计的方法、原设计方法与实际方法进行比较。通过实验证明了本文提出的方法煤耗平均值305.52g/(k W·h),设计方法煤耗平均值314.73g/(k W·h),当前实际方法煤耗平均值315.27g/(k W·h)。本文提出的研究方法相比原设计方法和实际方法在保证同等电力输出条件下煤耗更低,与当前实际平均煤耗相比降低了9.75g/(k W·h),如果发电机组年运行8000小时,累积发电量6.26×109k W·h,采用本文方法可以每年节约标准煤约为2.66万吨,不仅大大降低了煤耗,而且减少了污染物的排放提升了煤电机组节能减排的能力。