锅炉燃烧过程是一个复杂、时变的非线性系统。建立准确模型反映燃烧情况是指导实际生产、提高燃烧效率的一种有效手段;模型的再学习能力是实时反映系统工况动态变化的可靠保障。通常利用机理方法难以准确描述燃烧系统特性,并且局限于特定历史阶段的模型不能及时反映系统的时变特性变化。首先,设计了非线性函数模拟锅炉燃烧过程中负荷变化情况。因最小二乘支持向量机(LSSVM)建立的非线性函数模型预测精度较低,故采用粒子群优化算法(PSO-LSSVM)对其改进建模,模型预测精度提升。由于训练集中样本间冗余现象导致模型训练时间过长,利用剪枝算法对模型稀疏化处理,减少模型训练时间。对滑动时间窗型、遗忘思想型以及模型贡献度方法进行仿真实验,结果表明模型贡献度法具有更好的实用性。其次,以实际数据为样本建立锅炉燃烧模型。PSO-LSSVM方法比LSSVM预测精度提高了 43.5%。对模型稀疏化处理后,采用经典剪枝算法(BPA),模型训练时间可减少14.3%;如采用快速剪枝算法(FPA),模型训练时间能降低17.9%。分析仿真结果与实际结果的差异性与一致性,发现对于强非线性系统PSO-LSSVM建模方法具有一定适用性,稀疏化方法能提升模型训练效率,具有一定实用性。最后,鉴于燃烧系统的时变特性,对三种模型迭代方法进行实验研究。结果表明滑动时间窗,是将新信息以“先进先出”的方式串行替换既有信息,并定时训练模型;虽能实时反映实际工况特性变化,但忽略了历史特性对模型的影响。遗忘思想型,是基于遗忘思想的迭代方法将新信息依次填充,一定程度的包含了系统历史特性,但迭代后模型的短期预测精度降低且仍需定时重复训练模型;模型贡献度型,实时动态收集超越贡献度阈值的信息,并以此剔除既有贡献度低的信息,该方法既能够最大限度地保留模型有效信息,提高模型有效性及泛化能力,又能够减少模型的训练次数。利用PSO-LSSVM方法建立有效性高、泛化能力强的锅炉燃烧模型,并通过迭代修正能及时准确的描述锅炉燃烧过程中的特性变化,可服务于燃烧系统的优化控制,能够对供热生产的运行与管理提供积极的指导和帮助。