对于流程工业生产过程,生产运行关键指标的稳定性占据着极其重要的地位。为保证整个生产过程的稳定性,现场操作人员会根据经验对某些特别关注的关键指标进行检测,通过建模的方式可以很好的对关键指标的未来变化趋势进行预测。目前主流的建模方法为基于机理建模的方法。此类方法在工艺的机理分析基础上,依据物料平衡、热量平衡和动力学建立模型。机理建模很大程度上依赖于对工业生产过程的机理认知。随着流程工业生产过程日趋复杂化,此类方法逐渐出现建模成本增加、建模难度大、准确性与可靠性难以保证等问题。基于数据驱动的建模方法则通过构建输入输出变量间的关系模型完成预测任务,此类方法可以大大降低建模的成本及难度。特征选择是基于数据驱动建模方法最为基础的环节,特征子集搜索的精度与优化效率直接决定模型预测的性能上限。因此好的特征分析方法对于建模的意义十分重大。包裹式特征选择方法被广泛应用于流程工业指标预测中,但普遍存在特征子集搜索的效率低下的问题。基于此,本文提出一种新的包裹式特征选择算法,以改善特征子集搜索效率低的问题。此外,在新的特征选择算法的基础上,提出基于该特征选择策略的神经网络耦合建模算法框架,并应用于某火电厂再热蒸汽系统阀门开度建模场景中。本文的主要工作可以简要概括为两个部分。(1)针对包裹式特征选择方法普遍存在的特征子集搜索效率较低的问题,本文以基于进化算法的部分序列浮动前向选择变异搜索特征选择方法(EAw PS-EA with a partial sequential forwoard floating search mutation algorithm)为基础,结合TLBO(Teaching-Learning-Based Optimization)优化算法高效以及无参调节的优势,提出一种基于TLBO的改进序列浮动反向选择的特征选择算法(TLBOw IS)。该算法对序列浮动选择方法进行了改进,同时引入TLBO算法,进一步提升了特征子集搜索的优化效率。通过七个数据集对EAw PS与TLBOw IS两种算法的性能对比仿真试验及分析,验证了算法的有效性。(2)针对某火电厂再热蒸汽系统减温水阀门开度建模中机理不清晰、影响因素庞杂,阀门开度不准等问题,本文提出一种基于TLBOw IS的神经网络耦合建模算法框架,应用于某火电厂再热蒸汽系统的阀门开度建模场景中。TLBOw IS为神经网络模型提供特征子集,神经网络模型利用特征子集经参数优化得到最优参数预测模型,为TLBOw IS提供评估指标值。二者通过这种耦合的方式,筛选出对模型精度影响最大的特征,得到最优特征子集,提升模型预测性能。利用某火电厂再热蒸汽系统数据集对RBFNN与GRNN两种神经网络建模方法进行试验对比分析,验证了算法的有效性。最后,搭建了某火电厂再热蒸汽系统阀门开度预测软件测试平台,实现了对阀门开度模型的离线训练及在线实时预测功能,模型预测性能得到极大改善,验证了算法的可行性。