随着火电行业对节能降耗减排的关注,电站锅炉燃烧优化课题越来越受到人们的重视。燃烧过程中某些重要工况参数(例如飞灰含碳量)目前无法直接精确测量,需要通过软测量建模技术加以解决;实施稳态优化时也首先要建立目标函数(例如热效率、NOx排量)与锅炉运行参数间的数学模型。锅炉燃烧过程具有强非线性、多变量等特点,传统的线性建模方法无法满足要求,迫切需要研究和应用新型的建模方法。本文首先介绍了一种适合小样本学习、计算速度快的最小二乘支持向量机(LSSVM)回归方法,建立了飞灰含碳量LSSVM软测量模型;随后将局部学习思想引入软测量研究,并采用一种改进的核函数实现了模型参数自动优化,仿真研究表明局部LSSVM软测量模型具有更高的预测精度。采用主元分析(PCA)对LSSVM建模数据进行预处理,可以消除变量间线性相关性、简化LSSVM模型结构,构成PCA-LSSVM软测量方法。鉴于工业数据中存在的异常点会影响PCA和LSSVM回归结果,本文提出一种基于鲁棒化PCA的加权LSSVM(RPCA-WLSSVM)软测量方法,仿真研究表明该软测量模型具有更好的预测精度和鲁棒性。最后,本文基于LSSVM建模和序贯二次规划算法进行了稳态燃烧优化研究。首先进行飞灰含碳量单目标优化实验,并分析了优化结果的合理性;针对提高热效率和降低NOx排放之间存在矛盾,提出一种多目标燃烧优化方案:分别建立热效率、NOx与锅炉运行参数之间的LSSVM模型,基于评价函数法构造混合优化目标,采用序贯二次规划算法计算可调参数最优值,仿真研究表明了该优化方案的有效性。