我国独特的能源结构决定了火力发电在电力行业占据主导地位。火力发电造成的环境污染和能源浪费越来越受到重视,如何实现锅炉清洁高效燃烧已成为电站亟需解决的问题。近些年很多研究人员致力于改善煤粉锅炉燃烧方式,以达到降低锅炉氮氧化物排放和提高运行效率的目标。然而锅炉燃烧系统是一个非常复杂的系统,很难用传统方法实现燃烧优化。本文研究如何利用花授粉算法和极限学习机对煤粉锅炉进行建模和燃烧优化,使锅炉达到清洁高效运行状态。首先针对花授粉算法(Flower Pollination Algorithm,FPA)寻优精度不高、收敛速度慢等问题,对FPA的局部搜索方式和转换概率进行改进,提出改进的花授粉算法(Ameliorated Flower Pollination Algorithm,AFPA)。为验证改进算法的有效性,采用基本花授粉算法、差分算法和蝙蝠算法在基准测试函数上进行对比实验,仿真结果证明了AFPA的优越性。然后以某电厂330MW煤粉锅炉历史运行数据为基础,采用极限学习机(Extreme Learning Machine,ELM)和AFPA综合建立锅炉氮氧化物排放模型和热效率模型。为验证所建模型的泛化能力,采用ELM和误差反向传播(Back Propagation,BP)神经网络分别建立锅炉氮氧化物排放模型和热效率模型,实验结果表明相比于其他两种模型,采用AFPA和ELM综合建立的模型对锅炉氮氧化物排放量和热效率具有良好的预测精度。最后根据电厂实际运行情况,提出三个优化目标,即降低氮氧化物排量和提高热效率的单目标优化以及在降低氮氧化物排量基础上提高热效率的多目标优化。在采用AFPA和ELM所建锅炉燃烧特性模型基础上,构造不同的优化目标函数,利用AFPA对煤粉锅炉运行可调参数在约束范围内进行寻优。实验结果表明AFPA算法不仅能够对煤粉锅炉氮氧化物排量和热效率进行单目标优化,而且还能在降低煤粉锅炉氮氧化物排量的同时提高热效率,对电站锅炉燃烧优化具有一定参考意义。