在现代工业现场生产过程中,为保证工业现场稳定安全运行,会对工业生产中的各个工艺参数进行实时监控,并定时记录在计算机中。而在一些特定的工业现场中,某一个或多个工艺参数对生产过程特别重要,而且相对于操作控制存在一定的滞后,只能凭借操作经验对这些参数进行粗略控制。若能对这些滞后参数进行实时预测,消除滞后时间差,不仅有助于提高控制准确度,还能防止一些误操作。因此,本文从工业现场记录的时间序列数据出发,对时间序列预测模型进行分析研究,建立出滞后参数的时间序列预测模型,实现对滞后参数的实时预测。根据锅炉燃烧系统记录参数的时间序列特性,首先应用了自回归滑动平均(ARMA)模型对目标变量进行预测。此算法利用目标变量的历史观测值和随机扰动项建立目标变量的线性模型,实现了在同一工况下对目标变量的有效预测。当工况发生变化时,模型有效性大大降低,出现失配现象。这是由于ARMA模型只考虑目标变量的自身特性,忽略了目标变量与其他变量之间的相互关系,导致模型泛化能力弱。针对单变量线性预测模型存在的不足,考虑系统中多个变量对目标变量的影响,建立多变量非线性预测模型。支持向量机回归(SVR)能很好地处理多变量之间的非线性回归关系,可以使用粒子群优化算法(PSO)对SVR建模时的参数进行全局寻优,但建模过程不考虑时间序列数据的时间要素;Granger因果关系算法能对多变量时间序列进行特征提取,获取变量之间的因果关系和有效滞后期。支持向量机回归和Granger因果关系算法在多变量时间序列预测方面有显著的互补优势,可组合建立Granger-PSO-SVR模型。通过使用工业现场锅炉燃烧系统产生的时间序列数据,对烟气含氧量建立出三个不同的预测模型,经过对比模型预测效果得出相对于PSO-SVR模型,Granger-PSO-SVR模型不仅实现了使用相关变量历史值对目标变量未来值进行实时预测,而且预测平均绝对误差率降低了 0.83%,最大误差率降低了 4.93%,回归建模时间减少了 33%。通过预测模型对滞后参数的实时预测,可以对滞后参数的控制操作或控制算法提供优化指导,防止误操作的发生,保证控制效果的稳定。