我国工业锅炉的设计热平衡效率一般都达到80%,与发达国家相差无几。然而我国大部分工业锅炉的实际运行效率仍然徘徊在65%左右。实际运行中,对工业锅炉热效率起主导作用的是工业锅炉自身的运行情况。工业锅炉的实际运行受到很多因素的影响,例如天气、节假日等,其负荷变化大、运行管理水平较低、工作环境恶劣,总体运行效率不高。导致工业锅炉热效率较低最主要的原因是其负荷波动的幅度和频率都比较大,不同负荷工况下,运行参数也不一样,在变负荷运行时,司炉工往往难以得知负荷变化的规律,在频繁的操作过程中,常常因运行参数不匹配,造成能源浪费严重。为此,准确预测工业锅炉的负荷变化曲线,是实现工业锅炉优化运行的前提,这是本文要研究的重点。为了证明负荷变化对运行参数的影响,本文选择一台负荷波动频繁的20t/h链条炉排锅炉作为研究对象,对负荷变化时的炉排转速、鼓引风量、配风方式、煤层厚度和床层表面燃烧气氛进行了实炉试验研究。本文在分析短期负荷预测技术研究现状的基础上,选择具有全局最优、结构简单、推广能力强等优点的支持向量机方法进行负荷预测。而使用SVM进行负荷预测,输入样本对预测结果影响非常大,为了找到比较合适的输入,首先要对样本进行聚类分析。在聚类分析中对SOM神经网络和K-MEANS算法各自的优缺点比较如下:SOM网络可以在无监督的情况下进行聚类,但算法收敛时间长,当网格不收敛时只能得到粗略的聚类结果;而K-MEANS算法不同的初始聚类中心会产生不同的聚类结果,但在已知聚类中心和聚类数目时有较高的精度。因此本文提出一种SOM神经网络与K-MEANS算法相结合的聚类方法,首先用SOM进行初聚类,得到聚类中心和聚类个数,再使用K-MEANS算法对已经初步分类的样本进行二次聚类,使聚类信息细化。利用这种组合算法得到的相似日作为SVM的输入提高了SVM方法的预测精度。