我国能源消耗总体以煤为基础、多元发展的能源消耗结构,至少在短期内不会有根本性的改变,在“2030年碳达峰、2060年碳中和”目标驱动下,面对日趋强化的资源与环境约束,燃煤工业锅炉节能减排依然是国家能源可持续发展中的一项重要内容。锅炉的燃烧场是反映燃烧过程和设备状态最直接、最重要的状态量,其能效优化研究对于工业锅炉提高节能减排能力、减少碳排放具有非常重要的意义。但传统解析数学模型方法很难构建出有效的燃烧机理模型,不易发现锅炉运行优化参数,而基于数据驱动的深度强化学习模型方法,具有不依赖于系统模型的显著优点,为工业锅炉燃烧场能效优化问题提供了新的研究思路。本文研究了基于深度强化学习的工业锅炉燃烧场能效优化,综合考虑了燃烧场的各个指标参数,提出了能效在线优化算法,提高了燃烧场的能源利用率。主要研究内容包括:（1）基于深度强化学习的锅炉燃烧场功率预测算法锅炉燃烧时的能效指标是准确掌握锅炉煤炭利用率的关键,预测工业锅炉的输出功率不仅可以更好地了解锅炉的工作状态,而且可以为后续的能效优化控制提供参考依据。本文通过结合工业锅炉燃烧场的环境信息,如:给煤速度、蒸汽值、给水速度等,设计了基于Deep Q-Network（DQN）的锅炉燃烧场输出功率预测模型。仿真结果表明,采用DQN模型的燃烧场功率预测模型预测的结果具有更高的准确性。（2）基于改进DQN算法的燃烧场能效在线优化算法为了充分利用已拥有的燃烧场环境信息,实现快速的控制策略的响应调整,及时的将锅炉燃烧状态调整至最佳,实现燃烧场的燃料利用最大化,设计了在线优化控制算法。该在线优化控制算法将燃烧场功率预测模型与能效优化模型结合运用,整体的运行过程分为两个阶段,分别是离线训练阶段和在线优化控制阶段。并且,为了提高DQN模型在燃烧场能效优化场景的适用性,在该模型的基础上进行优化改进:通过改进DQN算法模型的训练过程,使得算法在训练过程中的稳定性提高;通过训练过程中优化经验回放机制,使得训练过程收敛的方向更加准确、收敛的速度更加迅速。