近些年,随着电厂信息化水平的不断提高,基于历史数据驱动的热工过程数据建模逐渐成为研究热点之一。该方法有效克服了机理建模精度不足和试验建模工作量大的缺陷。锅炉燃烧系统的NOx生成是一个典型的热工过程,影响NOx生成量的因素较多,且变量相互之间耦合严重。针对电站锅炉燃烧系统,通过互信息方法分析出影响NOx生成量的相关变量,并利用适当的数据建模方法实现NOx生成量的准确预测,是有效降低NOx排放量的重要一环。因此,本文将以NOx生成过程为研究对象引出一种适用于全体热工过程的变量选择算法进而提高变量选择算法的实际应用效果,并在此基础上建立动态预估模型。本文首先论述了热工过程数据建模的研究背景,然后以锅炉燃烧系统NOx生成过程为研究对象,详尽介绍了变量选择与NOx数据建模的意义和现状;第二章由变量选择方法的基本框架进行展开,依据子集产生方式和评价标准的不同重点介绍了目前常用的变量选择方法以及各个方法的优缺点,为下章变量选择算法的提出进行了理论铺垫;第三章创新性的提出了一种基于动态数据的互信息变量选择方法,该方法基于k近邻互信息和阶次互信息的相关理论进行相关性度量,并利用条件互信息和前向搜索策略保证所选变量子集总信息量最大,经仿真实验证实了该方法的有效性。最后将其用到某电厂锅炉燃烧系统,找出了影响NOx生成量的相关变量;第四章将第三章中筛选的主导因素作为输入变量,然后利用遗传算法优化LSSVM的超参数,建立了 NOx生成量的动态预估模型。经实际运行数据验证,所建立的动态预估模型能有效提高NOx生成量的预估精度。