随着“十四五”规划的提出以及2030年碳达峰目标的确立,我国在提高能源利用效率和减少污染物排放方面提出了更高的要求。煤粉锅炉作为主要的碳排放及NOx排放来源,对其开展燃烧优化具有重要的现实意义。当前,基于监督学习模型及优化算法等人工智能技术的锅炉燃烧优化方法具有良好的优化效果和较高的应用价值,近年来受到研究人员的广泛关注。本文对某410t/h煤粉锅炉开展基于人工智能的燃烧优化研究,构建了复合神经网络预测模型与近端策略优化算法耦合的锅炉燃烧优化策略,在线优化锅炉热效率及NOx排放。针对静态模型限制于稳态工况优化的问题,本文采用长短期记忆及一维卷积神经网络建立了锅炉热效率及NOx动态预测模型。为了优化动态模型与优化算法结合建立在线燃烧优化算法,本文将模型输入特征分类为静态和动态,将动态模型耦合全连接网络建立了静态-动态复合预测模型。复合模型在连续2000个测试数据上的动态预测较好、精度较高,且测试集上的均方根误差分别为0.063%和9.28mg/m~3。同时,将复合和动态模型分别与遗传算法（GA）结合建立燃烧优化算法并分别对测试工况优化,结果表明,基于复合模型时燃烧优化效果更好,测试工况被成功优化的比例提高14%,热效率增幅提高2-28%。针对以GA为例的启发式优化算法速度较慢而难以满足在线优化的速度问题,本文将搭建的复合预测模型与近端策略优化强化学习算法耦合,建立了锅炉燃烧在线优化策略,通过策略预先训练以减少实际优化所耗时间。将训练好的策略用于5619个历史工况测试优化效果,结果表明,63.5%的工况成功实现优化,且热效率提升了0-0.61%、NOx降低了0-65mg/m~3;单热效率优化的工况占75.5%,但NOx可能增加0-42mg/m~3。随着工况负荷的提高,策略优化的难度将增大,工况成功优化比例逐渐降低。策略单次决策仅需0.015s,满足在线燃烧优化的速度要求,而相比GA,除了速度更快,策略还可实现热效率及NOx协同优化,因此策略的在线燃烧优化效果更好。综上,本文的燃烧优化策略对工况成功优化的概率较高,可实现在线燃烧优化,对热效率及NOx的优化效果较好,单次优化仅需0.015s,可实时指导锅炉运行人员开展燃烧优化工作,为开发相关软件奠定算法基础。