燃煤电站锅炉发电在我国的能源供应中占据着重要地位，而锅炉燃烧排放的氮氧化物(NOx)是大气中的主要污染物之一，长期以来影响着空气质量，并进而影响到人体健康。随着“智慧电厂”的建设，火电厂运行的数据存储量在不断地扩大。如何有效地利用电厂的大规模历史运行数据，并在此基础上提高锅炉燃烧热效率且降低NOx排放是电厂考虑的重点。
　　本文针对某电厂燃煤锅炉，首先对其大规模历史运行数据进行数据挖掘，应用高斯混合聚类算法对数据进行再采样；其次采用基于随机梯度下降算法的核主成分分析(KPCA)算法对锅炉燃烧系统的各运行参数进行降维处理，去除输入变量之间的相关性，再使用极限学习机(ELM)分别建立以锅炉燃烧热效率和NOx排放为输出的模型；最后，为了达到锅炉高燃烧热效率、低NOx排放的燃烧目标，采用两种不同的多目标优化方法对锅炉燃烧系统进行多目标寻优，以指导不同需求下的锅炉燃烧。本文的研究思路及具体工作如下：
　　(1)当前大多数电厂的DCS系统或SIS系统中储存了大量锅炉历史运行数据。虽然这些海量数据有助于对锅炉燃烧系统进行建模，但是锅炉运行现场复杂，不同检测装置采集的信息较为杂乱无序，这就需要使用有效的数据挖掘方法对这些系统数据进行处理分析，进而在数据驱动下来构建锅炉燃烧预测模型。本文针对某电站锅炉历史数据，首先对其进行预处理，进而提出一种高斯混合重采样(GMM重采样)的方法，并通过实验验证了其有效性。
　　(2)锅炉燃烧系统是一个非线性、强耦合、大滞后的系统。其运行参数多，并且互相之间存在着复杂的耦合关系。本文采用一种基于随机梯度下降算法的改进的核主成分分析法(SKPCA)对锅炉的各运行参数进行降维处理，去除输入变量的相关性，并将提取的主成分特征矩阵作为ELM的输入，建立了锅炉燃烧系统模型。
　　(3)现有的优化算法的寻优能力有着较大差别，且在不同的应用背景下的效果也不同。如何选用恰当的优化算法来实现锅炉燃烧系统的多目标优化是一个难题。本文将对锅炉燃烧系统的多目标优化采用两种优化方法进行实验分析，一种是使用权重系数法将多目标优化问题转换为单目标优化问题，并采用粒子群优化(PSO)算法对其进行寻优；另一种是直接使用多目标粒子群优化(MOPSO)算法求得锅炉燃烧系统各参数运行的一组Pareto最优解。根据这两组实验结果对这两种优化方法进行分析，并对锅炉燃烧系统的多目标优化提出合理建议。