在我国依然是以燃煤发电为主的能源体系下,大量NO_x的排放的情况是不可避免,对电站锅炉NO_x排放量建模进行预测研究,得到不准确的NO_x排放量容易导致过量喷氨或者喷氨不足,过量喷氨不仅导致氨的浪费,还容易对环境造成二次污染、引起空预器堵塞等问题;喷氨不足则导致催化还原反应不充分,造成NO_x排放超标,这不仅会给电厂的经济效益带来严重影响,还会给电厂造成不良的社会影响。采用传统机器学习算法对电站锅炉建模会有特征选择以及稳态提取的要求。为了解决变工况情况下的NO_x预测问题,提出一种结合线性回归、XGBoost、长短时记忆递归神经网络的多模型融合算法SLXM,对电站锅炉的NO_x排放预测进行建模研究。针对该融合模型的工作原理进行了详细分析和研究,并与已有研究稳态下的预测模型进行了对比测试分析。针对锅炉数据集的特点,指出数据处理对于模型预测上的重要性,提出了一种适用于电站锅炉数据集的数据预处理方案:针对锅炉数据及各项特征的数值化处理、数据清洗以及数据标准化等预处理过程。最后,将广州沙角c电厂某机组7天的历史运行数据作为训练集和测试集,经过预处理加工后用于多模型融合算法进行建模。研究表明,相对于传统的机器学习算法,多模型融合算法SLXM在变工况情况下拥有良好的预测能力,多层感知器的预测结果在测试集的平均误差MAPE为9.16%,SVM的的预测结果整体相比于真实值偏小,同时测试集上平均误差MAPE为7.37%,无法在实际工程上投入使用,PCA-SVM在测试集上的结果比SVM的误差更大,但是SLXM在测试集上取得了较好的预测精度,其平均误差为4.28%。