在当今世界科技化数据化的发展背景下,各行各业对电力的需求也越来越高。在我国,发电形式主要以火力发电为主,而燃煤作为火力发电的主要方式,并一直在国内外电力行业占据核心地位。为了提高火电厂锅炉的燃烧效率,降低氮氧化物的排放量,使锅炉的燃烧系统稳定运行,电厂锅炉的优化问题越来越成为目前的首要任务。本文以国内某电厂660MW超临界机组锅炉为研究对象,对燃煤机组降排增效展开优化性研究。以工况历史数据为基础,结合RBF神经网络建立了一个以锅炉运行参数为输入,以NO_X排放量和锅炉燃烧效率为输出的网络模型,实现了电站锅炉NO_X排放与热效率的预测。在模型建立的过程中,利用带权重的粒子群算法(PSO)对RBF神经网络的隐节点的中心进行优化,以增强网络的非线性逼近能力并提高模型的收敛速度,然后通过测试样本对改进的网络模型的准确性予以检验,实验证明,建立的网络模型可以很好的表示锅炉的燃烧特性。在上述模型的基础上,建立了以NO_X排放量和锅炉热效率为目标,以给煤量、一次风门开度、二次风门开度、燃尽风门开度等为优化变量的优化模型,采用遗传算法以及多目标优化函数进行了优化,该算法仅需给定种群大小和叠代次数两个参数,一次运行即得到一组Pareto最优解,最终生成模型的最优解。本文利用C#等编程语言完成了锅炉运行优化系统的软件开发,包括对功能模块的设计与描述,系统主要实现了数据获取、参数监控、参数预测以及参数优化功能,数据的获取方式主要是通过SIS系统的实时数据库和CEMS中获取。锅炉主要参数的实时监测将实现当前运行变化趋势的可视化功能,并通过建立的优化模型对当前的工况给出参数优化的调整方案,指导工作人员进行调整,实现了锅炉优化系统的优化功能。本系统既满足了环保部门对NO_X排放指标的低排要求,提高了电厂锅炉的燃烧效率,同时也实现了对锅炉运行的智能化管理,对我国环保事业和电力企业具有积极影响。