随着我国每年生活垃圾清运量的增长以及国家对于土地环保政策的要求,我国垃圾焚烧炉逐渐朝着大容量、高参数的方向发展。然而,大尺度空间的炉内燃烧调控惯性更大,炉内参数存在着复杂的耦合作用,主蒸汽参数波动更为频繁,对于大型垃圾焚烧炉的燃烧诊断与优化预测显得尤为必要。本文建立了一种基于时域输入框架的神经网络模型,用以预测某750 t/d生活垃圾焚烧炉排炉和某750 t/d废弃物焚烧循环流化床的主蒸汽参数未来5分钟的变化趋势。利用数据相关性分析与延时性分析,分别建立了两种炉型主蒸汽参数的模型输入层参数表。通过输入变量高耦合精简与滞后变量剔除工作,降低模型输入端数据维度。时域输入神经网络模型包含了输入输出变量之间的延时特性,因此可以获得更好的预测效果,通过样本数据测试发现,时域输入神经网络模型可以实现主蒸汽参数未来5分钟变化趋势1%的平均预测误差,且时域输入神经网络模型相比于传统的神经网络模型具有更高的预测精度与更强的泛化能力,炉排炉的主蒸汽温度、压力、流量的平均预测误差分别下降了49.6%,19.5%,5.4%,流化床的主蒸汽温度、压力、流量的平均预测误差分别下降了74.2%,82.5%,65.8%。同时,时域输入神经网络模型对于未来前1分钟内的趋势可以达到近零预测误差的水平。最后,利用数据敏感度分析分别得出了两种炉型之下影响主蒸汽参数最为明显的几个变量,对于炉排炉,需重点关注炉排上部温度、高过平均温度、炉膛中部与出口温度和省煤器出口氧气浓度;对于流化床,需重点关注三级减温器出口蒸汽温度、炉膛出口温度、给料相关参数和空预器出口烟气氧含量。本文根据研究内容,开发了用于某750 t/d废弃物循环流化床的炉内燃烧诊断与智能预测系统的锅炉主蒸汽温度趋势预测模块,用以实现主蒸汽温度未来5分钟变化趋势的实时在线预测。运行结果表明,该模块拥有良好的预测性能,未来1分钟内2℃预测误差的置信度达到了99.7%,未来2分钟内3℃预测误差的置信度可达90%,符合工程预期要求。