据估计,未来一段时间内火力发电仍将处于能源的主导地位。在国家相继提出了节能环保的各项政策后,提高燃烧效率和降低污染物排放成为优化电站锅炉燃烧的两个重要方向,特别是新能源介入后,需要火力发电更多的参与深度调峰,而建立准确有效的自适应动态模型是进行燃烧优化以及增强机组调峰能力等工作的重要基石,本文基于锅炉运行数据,在完成数据预处理的基础上,利用数据挖掘和机器学习的智能建模方法,建立了锅炉燃烧过程的自适应动态模型,为燃烧优化提供了有利条件。本文主要做了以下工作:(1)数据预处理:提出利用磨煤机进煤量和入炉煤量的质量守恒特性,实现起机后的煤质数据与运行数据的匹配;利用稳态边界参数与统计理论公式相结合的方法实现了稳态数据的判定;利用小波去噪的方法实现了运行数据的去噪;利用基于互信息的偏互信息方法,实现了模型最优特征变量的筛选。(2)大数据建模:利用支持向量机的方法建立了煤质发热量和飞灰含碳量的模型,利用核心支持向量机的方法建立排烟温度和含量的模型,核心支持向量机将支持向量机和计算几何相结合,更适用于大规模数据建模,改善了支持向量机难以解决大规模样本的缺点,同时采用量子遗传算法完成参数寻优,提出了一种PMI-QGA-CVR模型,PMI变量筛选降低了模型复杂度、快速的参数寻优和适用于大规模数据建模的方法使得计算时间大大减小,为实现在线动态模型提供了有利条件。(3)自适应动态模型:提出了一种基于样本选择与增量式方法相结合的自适应动态模型,并应用于锅炉燃烧模型,该模型利用增量式方法的在线处理优势,再通过拉格朗日乘子、核心支持向量机和互信息的样本选择,共同完成了新增样本的快速判别和核心集的更新,其自适应阈值判断和对样本的分析更新实现了模型的在线动态学习,仿真结果表明,新增样本发生较大变化后,自适应动态模型与离线模型相比,其预测精度有很大的提高。