提高锅炉运行效率,降低烟气NO_X的排放是电站锅炉燃烧优化的主要目标,而燃烧特性模型是燃烧优化的核心。通过对BP神经网络的发展、特点、结构,以及神经网络模型的原理,结构和学习规则的分析,人工神经网络模型能够拟合任意非线性函数并具有良好的泛化能力,对复杂问题具有自适应和自学习能力,在非线性系统辨识方面得到了广泛地研究和应用。基于某电站锅炉燃烧系统的稳态试验数据,通过对锅炉系统模型结构的分析,应用人工神经网络建立了NO_x排放量和锅炉效率的预测模型,实现了其飞灰含碳量、排烟温度、炉膛温度、NO_x排放量等参数的软测量和锅炉效率的预测,为锅炉燃烧优化奠定了基础。遗传算法具有隐含并行性、全局解空间搜索和不受问题形式约束等特点,本文介绍了遗传算法的基本原理和操作,比较了二进制编码和实数编码的区别,对遗传算法的交叉、变异操作和初始种群的选取作了改进,以所建立的锅炉燃烧特性模型为基础,采用遗传算法,对锅炉燃烧运行工况进行优化。根据优化目标的不同,对锅炉稳态燃烧优化进行了效率约束下NO_x低排放的优化和NO_x排放约束下锅炉热效率的优化,为电站DCS基础控制层提供锅炉各操作参数的最佳设定值。算例表明,该优化方法可以实现锅炉高效、低污染排放运行。