电站锅炉的运行性能与煤质的变化关系密切。目前煤质检测的数据主要还是通过人工离线采样制样，在实验室中进行分析获得。这样的分析速度慢，在实时性、指导性方面不能满足锅炉燃烧调整和事故分析的需要，使得实际需要与检测数据报出时间滞后的矛盾越来越突出。因此，本文将引入软测量的思想，对电站锅炉煤质的在线实时检测进行深入研究。 锅炉煤质的在线软测量离不开实时运行数据的采集，采集到数据往往存在着误差，进而影响到软测量模型计算的结果。 基于以上两方面的考虑，本文将就以下内容进行分析与研究： (1)探讨了煤质软测量的研究背景与现状，明确了研究煤质软测量技术的重要意义及其实际应用价值；对数据挖掘中的数据预处理技术进行研究与讨论，并说明将其应用于煤质软测量技术的必要性与重要性；针对电站锅炉系统的特殊性质，提出了人工神经网络的软测量建模方法。 (2)通过机理分析的方法，讨论了煤质的变化对电站锅炉运行特性的影响，选出了用于煤质软测量模型的相关辅助变量，针对所选择的辅助变量进行了现场数据的采集。 (3)以数据误差理论中的莱以特准则为基础，引入改进观测量变化率的方法，对所采集的数据进行粗大误差的预处理，去除了数据中的粗大误差和奇异点，得到了较好的结果；在去除了粗大误差后，针对数据中存在的随机误差与噪声，利用小波分析的方法对其进行降噪与滤波处理，给出了处理后的结果，还原出了数据的本来面貌。 (4)应用多元统计中的主成分分析法，对所选辅助变量进行降维处理，得到了较少且能较全面反映原始数据信息的主成分变量，使得后续煤质软测量模型的结构得到了简化。 (5)基于电站锅炉系统的特殊性质，引入BP人工神经网络方法构造煤质软测量模型；介绍了BP人工神经网络的基本理论及其具体算法，并针对BP算法易陷入局部最小的缺点，引入遗传算法对神经网络的初始权值进行优化，使得网络的初始权值不再是随机生成，并且跳出局部最小，得到全局最优解；将经过处理的数据输入软测量模型进行煤质预测，并将结果与未进行处理的数据预测结果进行比较，分析其优劣。