能源与环境问题是影响国民经济可持续发展的关键问题,当前国家重视节能减排措施,现代燃煤发电厂面临着提高锅炉效率和降低污染物排放的双重目标,而NOx是电厂污染物排放的主要来源,因此燃煤电站锅炉燃烧优化技术的应用必须同时兼顾锅炉效率和NOx排放量。针对国内外燃烧优化技术的应用现状,本文基于电厂生产运行数据和入炉煤质数据,分别利用BP神经网络、支持向量机、最小二乘支持向量机建立排烟温度预测模型,结果表明SVM的泛化能力相比BP和LS-SVM较高且收敛速度快,同时也表明煤质因素对模型预测精度的重要性。并研究了利用优化算法和交叉验证方法对模型的超参数进行优化选择,可以很好地避免学习过拟合问题。在以大量的煤质化验数据为基础,利用基于差分进化算法优化的SVM方法建立空干基下的碳元素、氮元素与挥发分、固定碳、灰分、发热量、硫、氢之间数学关系的预测模型,氧元素根据元素平衡公式进行计算,结果分析表明此模型相比其它模型具有更高的预测精度,且适用于更宽的煤质范围,这样方便为锅炉燃烧优化系统中热效率的计算提供煤质元素分析数据。基于飞灰含碳量、排烟温度、NOx排放浓度与混煤掺烧的煤质数据和运行数据之间的支持向量机预测模型的基础上,采用优化算法对氧量、二次风风门开度的调节参数进行对应不同目标的优化,结果表明通过优化可以在限制NOx排放浓度的基础上提高锅炉效率。通过燃烧优化技术中的建模与优化,可以为今后实现锅炉运行与煤炭调度掺配的双优化奠定一定的基础。