煤炭是我国能源结构中的重要组成部分,电力是推动国家经济发展的重大动力,火力发电站是我国电力生产行业组成的主体。但是从能源方面来看,煤炭是宝贵的不可再生资源,在日益减少;从环境方面来说,环境污染状况日趋严峻,社会各界广泛关注,政府提倡节能减排,开始加大对火力发电厂的监管力度;在市场方面,电厂发电政策实行并网运行,各大发电厂都面临着提高经济效益的激烈竞争。所以在保证燃煤锅炉安全稳定运行的前提下,如何降低排放、降低发电煤耗、提高锅炉效率成为普遍关注的问题。用传统的模型辨识方法建立的燃烧系统模型,通常多是依靠现场热态实验获取的数据,而且需要划分机组工况,建立不同工况下的物理模型。这样的多个模型不利于进行状态切换,而且随着时间的推移机组的物理特性也在缓慢的改变,需要进行模型更新。目前,数据驱动的机器学习锅炉燃烧系统建模方法,虽然方法种类很多,但是普遍存在以下缺陷使得实用性受到严重影响:首先绝大部分实验数据集过小,算法遇到严重的过拟合问题;其次,模型大多是单时间步输入对应单时间步的输出,模型不能表达系统的时滞特性;最后,建模所选取的输入和输出变量太少,甚至许多是单变量输出、单变量优化模型,与火电机组真实运行情况相去甚远,无法解决多变量耦合的难题。本文针对燃烧优化的需要和现有建模方法的不足,使用某火力发电厂一个月内每15分钟采样一次的DCS历史运行数据,展开了了基于时间序列的燃烧系统深度学习建模、启发式自适应动态规划燃烧优化方法的研究,主要研究成果如下:1.提出了一种基于深度LSTM网络的21控制变量/6状态量的燃烧系统在线预测模型。在深入分析了火力发电厂燃烧系统工作原理的基础上、针对参数特点和变量之间的依赖关系,确定了用于预测模型和燃烧优化的输入、输出参数。将近年来在时间序列领域表现出色的深度LSTM技术引入燃煤锅预测建模领域,以充分利用其强大的历史信息记忆功能。2.建立了两种对照组预测模型:基于传统带外部输入的非线性自回归的全连接神经网络模型(MLP-NARX)。讨论了输入和输出是否耦合的两种情况,进行了燃烧系统预测建模的仿真和详细的模型效果对比与分析。实验表明,深度LSTM模型收敛速度更快,需要迭代次数更少,预测误差平均比对照组模型下降2～4倍。3.建立了一种基于启发式动态规划(HDP)算法和LSTM预测模型的LSTM-HDP火电优化模型。将LSTM预测模型作为基础,设计相适应的评价网络与执行网络,应用启发式动态规划算法,通过调整21个输入变变量中的19个可控变量,保证主蒸汽压力在安全范围内和锅炉效率基本不变的前提下,同时对其他5个输出变量进行优化。4.建立了两种对照组优化模型:使用解耦NARX预测模型和HDP优化算法的解耦NARX-HDP优化模型,以及使用LSTM预测模型和梯度下降(GD)优化算法的LSTM-GD模型。实验表明,LSTM-HDP模型在主蒸汽压力在安全范围内和锅炉效率仅下降了 0.2个百分点的条件下,使主蒸汽温度稳定在567℃、热耗率下降3%、单位发电煤耗下降2.93%、烟气排放下降6.73%。并且与对照组相比收敛过程最稳定,所需要的时间步最少。