电站锅炉的煤粉燃烧会直接影响发电机组的效率,燃烧的产物也是主要的大气污染源,对电站锅炉燃烧过程实行优化控制是提高发电效率和减少污染物排放的重要手段。目前,电站锅炉的燃烧优化主要从燃烧设备的优化,检测技术的改进和人工智能三个方向发展,随着人工智能技术的逐步发展和成熟,很多基于人工智能技术的燃烧优化系统应用到电力生产过程中并发挥着积极作用,针对国内某350MW亚临界锅炉燃烧优化问题,本文设计和开发了一套基于LabVIEW平台的燃烧优化控制系统,围绕电站锅炉燃烧优化控制系统的开发和设计,本文重点做了以下工作:(1)对用于电站锅炉燃烧优化的配风优化技术和低氮燃烧技术进行了研究,并将燃烧优化理论应用到燃烧优化控制系统的设计中。针对该系统燃烧状态监测,参数优化等多个功能的线程拥堵、误操作等问题,提出了一种基于状态机转换和多线程运行的设计思想,有效解决了以上几个问题,极大提高了系统的可靠性和稳定性。(2)对锅炉燃烧系统的软测量模型进行研究,对比了BP神经网络和最小二乘支持向量机两种模型的软测量结果,并提出了一种改进型的最小二乘支持向量机回归模型,利用该350MW锅炉的历史运行数据进行建模与测试,发现改进后的模型预测精度更高,鲁棒性更强。(3)对燃烧优化控制系统所采用的差分进化算法进行了研究,本文改进了差分进化算法的变异与交叉操作,并对算法中缩放因子和交叉概率两个参数进行测试,分析了不同参数值在多峰函数上的寻优效果,得出两个参数的合理设置区间。(4)对锅炉在不同二次风配风和燃尽风风率的工况下进行数值模拟实验,分析炉膛不同区域的温度分布与氮氧化物浓度分布变化,得出锅炉最适宜的配风方式及燃尽风风率。根据锅炉某一稳定负荷时间段内的历史运行数据,对燃烧优化控制系统进行离线测试,并获得了该段时间内的最优参数设定值。最后对参数优化后锅炉烟气温度,烟气含氧量,飞灰含碳量和氮氧化物的变化进行分析,得出测试结果。