目前,节能、环保是各发电企业必须要面临的问题,提高锅炉运行效率是降低发电煤耗的关键。其中烟气含氧量是反映系统工况的重要参数之一。其测量结果的准确程度直接影响机组的经济性。在实际工业过程中,由于高温、高压等恶劣环境因素的影响,含氧量测量的精度难以保证。软测量技术的提出有效地解决了此问题。为了有效的预测含氧量并减少预测误差,本文釆用改进的粒子群算法优化支持向量回归机(IPSO-SVR)的方法建立烟气含氧量的非线性预测模型,并进行多工况下仿真预测和结果对比分析。本文以超临界机组烟气含氧量为研究对象。首先,通过研究锅炉燃烧系统机理和相关性分析,初步确定构建预测模型需要的辅助变量。然后,采用核主元分析法(KPCA)对输入变量进行降维处理,选取影响含氧量的8个辅助变量。其次,在建模方面,使用改进的粒子群算法(IPSO)对SVR核参数进行优化。由于静态建模无法满足多工况下的氧量预测,所以引入状态约束条件改进传统的滑动时间窗算法,使用改进后的算法对模型进行的动态校正。最后,基于现场数据进行仿真预测,结果表明,该动态预测模型可以在不增加额外测点的情况下,对系统的烟气含氧量进行准确预测,并且可以满足预测精度高、模型鲁棒性强等要求,能够为进一步的燃煤机组优化控制提供依据。