在未来较长时期内,我国电力工业发展的主力仍然是火力发电。因此,火电机组成为节能减排的重点对象。随着火电机组容量和参数的不断提高以及系统本体特性越加复杂的情况下,机理分析方法建立精确的数学模型难上加难。与传统的建模方法相比,基于智能算法的锅炉燃烧系统建模方法占据很大的优势。因此,深入研究基于智能算法的大型锅炉燃烧系统建模方法对火力发电机组实现高效率、低排放的运行目标具有重要意义。本文对大型锅炉燃烧系统的支持向量机建模方法进行研究,对某1000MW超超临界锅炉NO_x排放影响因素进行深入分析,建立了锅炉NO_x排放特性预测模型。支持向量机(support vector machine,SVM)算法具有全局最优、避免“过学习”和“维数灾难”的优点。为弥补支持向量机基于小样本数据建模的不足,研究采用一种基于大样本数据的建模方法——核心向量机(core vector machine,CVM)。同时针对支持向量机和核心向量机预测模型参数选取问题,提出一种改进粒子群算法对模型核函数参数进行优化以提高其预测性能。本文建立了大型锅炉NO_x排放特性SVM预测模型与CVM预测模型并对比二者的预测性能。结果证明,大型锅炉NO_x排放特性支持向量机和核心向量机建模方法的可行性,且CVM预测模型具有较快的收敛速度和更好的泛化能力,同时验证了CVM算法对于大样本数据建模比SVM算法具有更大优势。