利用煤最主要的方式就是燃烧,但燃烧过程中必然伴随着大量污染物的释放,所以煤是一种不清洁能源。在煤炭的燃烧过程中,释放出的主要污染物有二氧化硫(S02)、氮氧化物(NOx)等。控制污染物的排放始终都是全世界关注的焦点。煤燃烧过程中,虽然二氧化硫(S02)与氮氧化物(NOx)的生成机理不同,但在两者之间存在着协同作用,氮硫污染物彼此相互影响,或促进或抑制,所以彼此都是对方的影响因素。燃烧条件不同时,一种污染物排放量的变化往往引起另一种污染物随之发生变化,或是同增或是同减也或是此消彼长,所以针对单一污染物的预测模型无法准确的掌握机组运行的情况。本文通过BP神经网络建模,采用经典变量筛选方法MIV,在原有输入变量中,以协同作用为根据,引入上一时刻的二氧化硫(S02)与氮氧化物(NOx)浓度也作为模型的输入变量,随后再以遗传算法优化该BP神经网络模型,预测污染物排放量的精度得到了提高。本文在此预测模型的基础上再进行参数寻优模型的构建。根据机组脱除S02和NOx的成本计算,脱硝的成本较脱硫要高出很多,而单位排烟中SO2的含量却又要高出NOx很多,除此之外由于存在协同作用,两者生成量之间互有影响,或是同增或是同减也或是此消彼长,因此造成不同的运行参数下单位排烟脱除污染物的总成本存在差异。在参数寻优模型中以单位排烟污染物脱除总成本为寻优适应度函数,最小化总成本为寻优目标,通过极值寻优找到最佳可操作运行参数,对配风方式,含氧量等不断优化,以实现降低污染物脱除总成本的目的,可以为电厂的运行提供参考。