燃烧锅炉作为能源行业的复杂大型能源转换设备,具有复杂多变的燃烧过程,且参数间存在繁琐的非线性关系,难以通过分析其燃烧机理对其建立精准模型。如何挖掘锅炉历史数据中有用的信息,进而对锅炉提供优化操作指导,是工业大数据时代供热锅炉优化指导的重要思路。本文将机器学习的思想应用到锅炉燃烧系统上,针对锅炉燃烧系统工况的特征研究并改进了密度峰值聚类算法用于锅炉工况的划分,并建立了分类网络与最小二乘支持向量机结合的模型。针对锅炉燃烧系统工况变动的特点,建立了分类网络与长短期记忆网络结合的模型,将点预测扩展为时间序列间隔预测。本文的主要工作与创新的如下:1、针对密度峰值聚类算法在分配过程可能会触发多米诺效应,且算法表现对其参数截止距离dc非常敏感的问题,提出局部可达密度峰值聚类算法（LRDPC）,不仅可以自动确定聚类中心个数,而且提高了算法的鲁棒性和容错率。LRDPC中使用的局部可达密度考虑到了数据对象在其所处的局部空间中的分布差异,在几何意义上比局部密度更合理,而且删除了截止距离dc来增强鲁棒性。此外,提出一种分配策略来消除多米诺效应。实验结果表明该算法是可行和有效的,在现实世界的数据集上也具有更好的性能。2、针对锅炉燃烧系统模型复杂度高、泛化能力不足的问题,建立结合分类神经网络的DWLS-SVM模型,提高了模型预测能力。锅炉原始运行数据的特征之间存在相互依赖,具有冗余性,通过特征工程对进行特征筛选精简模型结构,并使用LRDPC对其聚类,自动确定了工况数量。模型中的核函数参数σ和正则化参数C对模型的表现至关重要,使用遗传算法对其寻优,以达到最优效果。结果表明,分工况建模方法可以提高预测精度。3、锅炉的燃烧是一个动态过程,每个时间节点的燃烧状态必定受到前一个时间节点燃烧状态的影响。针对传统的建模方法只利用了当前时刻的运行参数,存在有效信息利用不足的问题,提出使用LSTM网络建立时间序列模型。利用聚类后的锅炉运行参数时域连续的特点,建立了结合分类神经网络与LSTM模型的MC-LSTM模型。相比于传统的点预测模型,时间预测模型在测试集上的误差平均降低了0.0187%,均方根误差平均降低了0.0405。