随着“节能减排”政策要求加强,在保证安全生产和满足负荷需求前提下,应努力提高火电厂运行效率、降低煤耗,控制并减少污染排放。本文针对火电厂锅炉燃烧系统进行了基于数据驱动的建模和优化研究。本文以中国华电一300MW机组为研究对象,给出了电厂锅炉的数据采集、预处理、优化指标选取的步骤和神经网络稳态建模过程及其评价。以降低单位相对煤耗和降低氮氧化物(NOx)排放量两者兼顾做为锅炉优化运行的评价指标。在两个典型负荷处分负荷点建模。比较了不同的神经网络建模训练算法的异同并对其泛化能力进行了评价。对电厂锅炉运行这一非线性动态工业过程,讨论和研究了在离散状态下一种基于数据驱动的建模方式,通过对锅炉燃烧过程的稳态建模和动态建模区别对待,给出了稳态和动态相结合的建模思想。给出了稳态过程和动态过程的定义、辨识方法、增益计算方法。在前向神经网络只能构建稳态模型和现场采集得到的数据存在动态特性的情况下,给出一种前向神经网络和一阶自回归模型相结合的混合模型。一阶自回归模型的存在使该混合模型能够描述动态特性,并推导出了其训练算法。将该模型运用到了火电厂的氮氧化物排放量建模中并对其建模能力进行了评价。结果表明加入的一阶自回归模型能够使混合模型提高拟合精度,说明在氮氧化物的形成过程中存在动态特性。最后采用遗传算法得到了两个典型负荷下的以降低煤耗和降低氮氧化物为目标的优化结果,基于神经网络模型得到了优化结果。并在滤除氮氧化物排放量数据中存在的扰动后得到了新的优化结果。对基于不同的模型得到的优化结果进行了比较和分析。结合现场数据给出了氮氧化物排放量相对增益计算的分析结果。利用数据库和动态网页技术制作了优化结果发布的动态网页,用以指导电厂机组人员对机组进行优化运行。