随着我国国民经济的飞速发展,对电力资源的需求也迅速增大。在我国,火力发电在电力生产中仍占据着主导地位,为满足生产及生活对电力的需求,每年需要消耗大量的煤炭资源,而且排放大量NOx及其他污染物。工业用煤粉锅炉的燃烧过程工况非常复杂,涉及燃烧、传热、及流动多方面过程,锅炉热效率及污染物排放量受到风量、风速、炉膛过量空气系数、煤粉种类、机组负荷等因素影响。而且,这些影响因素通常又是相互影响,相互交错,更增加了燃烧过程的复杂性,因此燃烧过程是一个非线性、多变量的复杂系统。我们目前需要解决的问题就是优化该复杂系统的热效率并降低工业废气的排放,我们必须在工业过程中使用先进控制与工程优化技术,把提高热效率和降低污染物排放作为双重目标来研究锅炉燃烧系统。在热工过程中,经常会有这样的过程,其调整时间很长,而工况却是经常变化的,尤其是投用自动发电控制(AGC Automatic Generation Control)的机组,它们的负荷根据电网的需求时刻都会变化。当工况变化后,一些最优的工作点就会发生漂移,这就需要在较短的时间内得到最优工作点。然而现有的在线优化算法基本上都是基于静态模型的,必须等待过程稳定才能获取一个有效的数据,我们可以通过把过程的动态特性考虑进去来解决这种矛盾。本文通过分析锅炉效率与电站负荷及烟气含氧量的函数关系,并考虑NO排放量,将其惩罚金额折算成消耗的煤炭量对锅炉燃烧效率进行校正,将该校正后的锅炉效率确立为优化过程的目标函数。针对过程的非线性动态模型特点,为了把过程的动态特性考虑在内,在每个周期内对优化目标函数模型进行辨识,并根据辨识结果确定目标函数的稳态模型进行稳态优化,使得系统能够快速跟随工况的变化而重新确定最优工作点。在本文中,我们选用Hammerstein模型作为锅炉修正效率的模型结构,采取HOE_AMLS算法进行在线参数辨识,并在每个周期内考虑其稳态模型采用BFGS拟牛顿算法进行优化,在不同电站负荷下,确定最佳氧量设定值,使得锅炉校正效率最高。本文主要研究内容及工作如下：1.对于优化算法,针对文章电站锅炉预测控制与燃烧优化研究对于优化算法的研究,对自适应算法进行简化和改进。首先,对于模型的在线辨识,用HOE_AMLS方法代替渐消记忆的广义最小二乘算法,增强了系统对实时数据的处理能力；2.对于多变量优化算法,采用BFGS拟牛顿算法,保证搜索方向是目标函数在迭代点的下降方向。拟牛顿法可以克服当Hess矩阵奇异时算法无法进行的缺陷,避免了对于大规模问题Hess矩阵计算量庞大等问题,并且在一定的条件下,这类算法仍具有超线性收敛速度。3.深入研究影响锅炉效率的几种因素,分析各因素的影响程度。并通过分析氧量设定值对CO、NO各项热损失的影响,把CO、NO各项热损失对锅炉热效率的影响转化为氧量设定值对效率的影响关系,确立模型结构并通过仿真实验验证该结构的实用性及通用性。4.将监控层在线燃烧优化与过程控制层氧量控制结合起来,完成煤粉锅炉在线燃烧优化控制算法的实现并仿真验证。