随着人类社会的快速发展,人们对节能减排越来越重视,因此提高锅炉燃烧效率和降低电厂污染物排放成为困扰燃煤电站的两大难题,而燃烧优化技术正是针对该类问题应运而生的技术手段。其中,在众多燃烧优化技术中,在原DCS控制基础上采用人工智能算法实现的燃烧建模优化控制技术具有投资少、风险小、效果明显的优点。截止目前,针对燃煤电站锅炉燃烧优化建模的研究主要还停留在人工智能算法的算法优化基础上,没有充分利用燃烧机理和智能算法之间的关联。本文基于燃煤锅炉的燃烧机理,提出一种基于燃烧机理的模糊神经网络,并将其运用到锅炉NOx排放量模型和锅炉热效率模型的建立中。其中NOx排放量模型的模糊规则数为7,分别代表6层燃烧器喷口和1层燃尽风门,锅炉热效率模型的模糊规则数为4,分别代表锅炉的四大热损失:排烟损失、机械未完全燃烧损失、化学未完全燃烧损失以及散热损失。然后通过先进的寻优算法对网络结构参数进行学习和辨识。建模结果表明,该网络模型具有很高的准确性和较强的泛化能力,而且改进模糊神经网络的模糊规则具有一定的物理意义,为以降低NOx排放量和提高锅炉热效率为目的的燃烧系统改造提供理论依据。然后以NOx排放量和锅炉热效率为优化目标,选择模型输入中可调节的输入参数作为优化变量,采用一种带精英策略的非支配排序的多目标遗传算法(NSGA-Ⅱ)对3种典型工况下的优化变量进行优化,对生成的一组pareto最优解集中,根据一个优化目标牺牲较小的同时另一个优化目标得到较大幅度改善的标准给出最终的优化结果。优化结果表明,优化后各目标值得到一定程度的改善,且各操作变量的调整与目标值优化结果符合燃烧机理。基于上述理论基础,本文最后设计开发出一套锅炉燃烧优化控制系统,介绍了该燃烧优化系统的主要组成部分、工作原理及实现方式,并将其投用在某超临界机组燃煤锅炉上,投用结果表明,燃烧优化控制系统投用后,SCR入口 NOx排放量和CO排放量均有一定程度的降低,此系统的优越性较为明显。