随着人们对能源需求的日益增加,在工业生产中,目前存在高消耗、低利用的状况。石化行业中常用的加热炉存在着燃烧不充分的问题,因此提高加热炉的燃烧效率,对石化企业的生产运行以及经济效益尤为重要。本文针对加热炉的燃烧状况及影响因素等问题进行研究,以此来提高加热炉热效率,并对未来一段时间加热炉的热效率进行预测,从而针对加热炉燃烧状况可以预先做出调炉决策。同时针对传统的神经网络对热效率预测效果不精确的问题,建立新的预测模型,提高热效率的预测精度。主要研究内容如下:首先,对某石化企业中与加热炉热效率相关的数据进行采集,并分析选出与热效率相关的可输入变量,进行归一化处理。将该数据集通过两种方式进行热效率预测,分别为:具有强非线性回归能力的支持向量回归（SVR）模型和由深度置信网络（DBN）构建的DBN-DNN模型。仿真实验表明,两种模型对热效率的预测精度都相对较高,但SVR模型的精度要略高于DBN-DNN模型,原因是SVR在输出层的回归能力高于DBN-DNN模型输出层的BP层。同时为了获取更高的预测精度,采取深度置信网络（DBN）对数据进行充分特征提取。考虑到在加热炉热效率预测中,SVR模型的泛化能力更强,而DBN-DNN模型的输出BP层相对SVR对数据回归能力较弱,故选取SVR作为模型的输出层。并针对粒子群算法在优化SVR参数时收敛速度慢,容易陷入局部最优的问题,提出改进的粒子群算法以此优化SVR的参数,作为本文研究的基于改进粒子群算法的DBN-SVR模型。经实验仿真证明,新型预测模型在预测精度上明显提高。其次,根据影响加热炉热效率的因素做出分析,提出相应解决方案。并建立加热炉燃烧模型,采取GAMBIT进行建模,根据仿真实验对比选取更能充分体验燃烧状态的P-1模型作为辐射模型。考虑到影响燃烧与热效率之间最关键的因素是氧含量的指标,对其进行燃烧时的寻优控制,经验证控制在3%以下,热效率可达到最优效果。最后,为更好的验证本文建立的新型预测模型,将该模型嵌入到某石化企业监测平台中,通过试运行表明该预测模型可以很好的预测未来一段时间的加热炉热效率,从而为优化燃烧、提高生产效率做出了突出贡献。