利用燃烧优化技术提高锅炉燃烧经济性、降低污染物排放,对于实现“双碳”目标具有重要意义。人工智能算法在电站锅炉燃烧优化的应用,能够有效保留参数之间的复杂非线性关系,实现高精度、强泛化的建模预测,同时智能优化算法能够为锅炉燃烧系统实现高效率、低污染物排放运行提供有效的解决方案。本文以某电站负荷为1000 MW的超超临界锅炉作为研究对象,研究了最小二乘支持向量机（LSSVM）在电站锅炉的应用状况,着眼于粒子群优化算法（PSO）的改进。首先,针对影响锅炉效率和NOx排放的不同因素,开展了锅炉燃烧调整试验,并得到调整试验样本数据。其次,以燃烧调整试验数据为样本工况,通过结合蚁群算法（ACO）和PSO算法,提出了一种改进型的蚂蚁-粒子群算法（MAPSO）对LSSVM模型参数进行优化,建立了锅炉燃烧系统的MAPSO-LSSVM预测模型。最后,在所建立的MAPSO-LSSVM模型的基础上,分别利用加权-粒子群算法和多目标粒子群算法对燃烧运行参数进行优化,得到Pareto最优解集,为电站运行提供参考建议。结果表明,本文提出的MAPSO算法通过与ACO算法移动规则的结合改进PSO算法,增加了PSO算法的小步长局部搜索过程,有效地克服了PSO算法对LSSVM模型参数进行优化时容易陷于局部最优解的缺点。MAPSO算法不仅保留了PSO算法的全局寻优性能,并增强了局部寻优性能,在建立锅炉燃烧系统模型过程中能有效避免陷入局部极小值,寻找到全局最优解。所建立的MAPSO-LSSVM模型与标准PSO-LSSVM模型相比,具有更快的收敛速度,更高的预测精度,更强的拟合能力和泛化能力。在MAPSO-LSSVM的基础上,分别采用加权-粒子群算法和多目标粒子群算法优化锅炉的可调整运行参数,以实现锅炉高效率低NOx排放。分析表明,两种优化算法所得的运行参数相近,趋势与燃烧特性分析和燃烧调整试验结果相符合,说明智能算法优化电站锅炉燃烧系统有效可行。但是加权-粒子群优化算法主观依赖性严重,难以选取合适的权重值,优化时间长且结果少;而MOPSO算法优化时间远远小于加权-粒子群算法优化时间,并且优化结果更多,优化效率更高,更有利于指导锅炉的实际运行。