随着现代工业的快速发展,工业系统逐渐走向全功能性完善,但伴随着功能完善进化的同时,工业系统呈现出子系统多、系统结构复杂且规模庞大的特点。在现代工业生产过程中的控制量、检测量中的绝大多数是具有分布式参数特性。然而,由于工业生产中的分布式参数系统多数存在无限维的特性,因此,无法直接使用工业分布式参数系统（DPS）的某种具体数学模型—偏微分方程作为预测模型。针对现有的大规模工业生产系统的预测问题,选择一种合适的分布式预测（Distributed Model Predictive,DMP）模型,能够有效解决具有强非线性、强耦合性、强滞后性、时变大规模系统预测的问题。本文针对工业过程实际对象,应用正交空间逼近方法对分布式参数系统进行降维,然后将预测模型应用到降维后的分布式参数系统模型中,进而实现对分布式温度的预测,研究工作主要包括:首先,利用时空分解理论,提出一种二维分布式温度系统建模的方法,对所建立的分布式温度的偏微分方程,采用Shannon-Gabor小波作为基函数对该分布式参数系统进行降维处理,然后采用前向差分法对降维得到的时间维模型进行离散化处理,得到系统的迭代回归模型。将上述方法通过求解已知边界条件的偏微分方程进行验证,最后将得到精确解与仿真结果对比,说明所提方法的有效性。然后,针对机理模型的存在较大预测误差的问题,又提出一种基于数据驱动的预测模型建立。该模型首先使用Karhunen-Loeve数据分解法对分布式温度系统的降维方法,得到主导特征空间基函数。随后,将分解后的温度数据与其他影响因素（风量、煤粉出力等）数据进行权重分配,再用非线性多元回归法将对得到的时间维模型进行系数辨识,得到具体的系统的预测模型。最后,对比理论模型预测与数据驱动预测的预测结果,并考虑自持燃烧器作为一种复杂燃烧系统,单一理论模型无法较高精度反映自持燃烧器的分布式温度,因此选用K-L的数据预测模型,并利用不同工况下的温度数据集进行模型验证,结果表明所提方法能够较准确的求解预测出系统温度场。