我国发电形式主要以燃煤发电为主,燃煤机组消耗的煤炭量占我国煤炭消耗总量的70%左右。而随着我国经济的发展,能源消耗量越来越大,不可避免地造成了环境污染问题,降低火电机组的供电煤耗量具有重要的意义。对火电机组的能耗分析大都是根据热力学第一定律和热力学第二定律进行机理分析,分析计算过程繁琐复杂,耗费大量的时间精力;机组运行优化关键是确定参数的目标值,其方法主要有采用设计值、试验法和热力学方法,但其运行工况复杂多变、热力系统与参数之间具有高维非线性关系,这些方法都会受到一定的限制。随着电力生产过程在线监测技术的发展,电厂中储存了大量的运行数据。大数据技术也逐渐扩展到电力行业。本文利用大数据技术,采用BP神经网络和Elman神经网络等大数据挖掘算法构建能耗模型,并进行建模精度和效率的对比,最终选取BP神经网络能耗模型,从历史数据中发现火电机组的运行状态与各参数之间的关系,实现对供电煤耗量的预测。然后,用平均影响值法(MIV)对能耗预测模型的初始参数进行筛选,并且以MIV值来衡量参数的能耗敏感度,去除冗余变量,建立MIV-BP模型,精简模型的复杂程度,提高建模效率。最后,对能耗敏感度大的可控运行参数进行优化,确定各工况下的参数的最佳值,使机组基本保持在最佳工况下运行。大数据技术应用在电力生产中,建立能耗预测模型,以实现供电煤耗量的精确预测,并优化机组的运行工况,最大程度地降低供电煤耗量降低机组能耗,给现场运行人员的运行调整提供参考。