为满足电网负荷需求,火电机组常需按照电网调度指令改变机组负荷而处于变负荷动态过渡工况运行。以往针对机组稳定工况的故障诊断研究无法适应这一新情况,严重影响故障诊断系统在实际机组中的应用效果。深入开展变负荷动态过渡过程故障诊断研究,对提高机组可用率、保障机组安全、经济运行具有重要的现实意义。为此,本文基于机组监控系统提供的丰富的热力系统运行参数,深入研究变负荷动态过渡过程热力系统故障的多智能融合诊断方法,并以超临界机组高压给水加热器系统故障诊断为例对算法进行深入仿真试验研究。文中首先对混合智能诊断算法中涉及的粒子群优化算法、Elman神经网络和近邻分类法的基本概念和原理进行了论述,并结合具体实例阐明其在不同领域应用的有效性。针对变工况动态过渡过程中故障特征参数正常参考值难于获取的困惑,考虑Elman神经网络辨识非线性动态系统的优势和粒子群算法优良的优化性能,建立了一种基于进化Elman神经网络的动态过程特征参数参考值预测模型。该模型采用离散粒子群算法优化Elman网络的结构,改进粒子群算法(IPSO)调整Elman网络的参数,结合两种算法的优势同时进化Elman网络,以自动产生一个高泛化性能和低结构复杂度的网络。IPSO算法中采用新的学习策略并引入变异操作以增强种群多样性,从而提高算法的寻优精度和收敛速度。2个时间序列预测的实例验证了该方法的可行性和有效性。将该方法应用于高加系统变工况动态过渡过程特征参数的预测,取得了满意的结果。以变工况动态过程故障的准确诊断为目的,提出了一种基于粒子群和最近邻的热力系统故障诊断新方法。针对故障类别多样、机组运行工况多变导致的故障样本集过于庞大的问题,采用IPSO算法优化典型故障原型,有效减少样本数量,并确保产生的精简原型集能够全面地表示不同故障类的典型特征分布。结合进化Elman神经网络实时预测的特征参数参考值进行故障征兆计算,并依据最近邻分类规则对故障进行诊断。8个UCI标准数据集的分类结果验证了IPSO算法优化原型的有效性。借助某600MW超临界机组全工况仿真系统,在100%至80%额定负荷范围内,对高加给水系统故障进行详细的仿真诊断试验,结果表明该方法对不同稳态下高加给水系统程度迥异故障以及变负荷动态过渡过程中发生的高加故障均能给出满意的诊断结果。为进一步提高变负荷动态过渡过程热力系统故障诊断的准确率,利用神经网络优良的非线性逼近能力,提出了一种融合多个基分类器的集成分类器诊断模型。该模型使用原始的训练集建立基分类器以保证故障信息的完整性,提高基分类器的诊断正确率；采用不同的学习参数训练单个基分类器,以增加基分类器的多样性；运用神经网络融合多个基分类器的诊断结果进行二次诊断,有效提高集成分类器整体的诊断正确率。借助600MW超临界机组全工况仿真系统,在100%至70%额定负荷范围之间进行基于集成分类器的高加故障诊断仿真试验,表明集成分类器诊断模型对70%额定负荷稳态工况以及变负荷动态过渡过程高加给水系统程度迥异故障均能给出满意的诊断结果。诊断结果同时验证了神经网络融合方法相比于多数投票和加权平均融合方法的有效性。本文研究成果对提高智能故障诊断方法对热力系统变工况动态过渡过程的适应性,促进热力系统故障诊断从理论方法研究走向工程应用,提高机组自身运行的安全性和经济性具有重要作用。