随着社会的发展进步，各类高新技术、产品不断面世、落地、推广，人们的生活越来越便利，而支撑着这一切的关键便是电能。研究设备运行参数的异常检测技术，以保证电厂机组设备安全、可靠地运行，具有十分重要的现实意义。对电厂设备运行参数的异常检测，即使用设备在正常工况下的运行参数建立模型，要求该模型能识别出设备运行时发生的异常，尽早发现设备的劣化趋势，为故障诊断提供可靠的依据。
　　首先，提出了结合特征强化的深度自编码高斯混合模型(Deep Autoencoding Gaussian Mixture Model with Reinforced Feature，DAGMM-RF)。该模型设计了一个新的损失函数，有效降低了压缩特征各维属性间的线性相关性，有助于自编码网络提取到更具表达意义的特征。进一步提出了一种计算“最低压缩特征维数”的方法，为设置合适的压缩特征维数提供参考，避免了花费大量精力通过试错去确定压缩维数，更有利于模型的实际应用。实验结果证明，DAGMM-RF模型较深度自编码高斯混合模型(Deep Autoencoding Gaussian Mixture Model，DAGMM)性能更好，基于“最低压缩特征维数”可以有效地避开效果不佳的压缩特征维数。
　　DAGMM-RF模型中，没有考虑到电厂设备参数的时序特征。针对这一问题，进一步提出异构时序自编码高斯混合模型(Isomerism Time-Auto-Encoder Gaussian Mixture Model，ITAEGMM)。ITAEGMM使用循环神经网络构建自编码网络的编码部分，使用全连接层构建解码部分，在保证网络解码能力的情况下降低了模型的训练时间成本。同时，将流式域顶点(Streaming Peaks-over-Threshold，SPOT)算法和延迟法组合，用于筛选异常数据。实验表明，时序特征的引入带来了显著的性能提升，而SPOT+延迟法则进一步帮助模型提高了F1Score。