为降低某电厂循环流化床锅炉污染物排放，同时提高锅炉燃烧运行经济性，本文采用数据驱动技术实现循环流化床锅炉多目标燃烧优化。基于改进粒子群优化长短期记忆神经网络建立循环流化床锅炉NOx/SO2排放数学模型和锅炉排烟温度数学模型，以相对误差为预测性评估指标以确定最佳网络参数；其次，基于改进粒子群优化长短期记忆神经网络（IPSO-LSTM）、长短期记忆神经网络（LSTM）、广义回归神经网络（GRNN）和反向传播神经网络（BPNN）分别构建NOx/SO2排放数学模型和锅炉排烟温度数学模型，通过比较预测性评估指标，证明本文构建预测模型有效性；最后，基于非支配排序遗传算法（NSGA-Ⅱ）获取不同运行工况下循环流化床锅炉燃烧优化调整方案，以降低NOx/SO2排放浓度，同时维持排烟温度稳定性。结果表明：相比优化前，优化后NOx排放浓度平均降低了10.58%,SO2排放浓度平均降低了25.81%，最大降低了650 mg/m3，且排烟温度平均降低0.14%。

江苏省科技成果转化专项资金项目（BA2020001）；

0 引言
1 试验方法
1.1 研究对象
1.2 运行数据分析
1.3 模型构建
1.3.1 改进粒子群优化算法（IPSO)
1.3.2 长短期记忆神经网络（LSTM)
1.3.3 基于改进粒子群优化长短期记忆神经网络
1.3.4 预测结果及分析
2 多目标燃烧优化
2.1 多目标优化函数
2.2 多目标优化结果及分析
3 结论

[1]张文祥,徐文韬,黄亚继,等.基于数据驱动660 MW循环流化床锅炉多目标燃烧优化[J].电力科技与环保,2024,40(02):97-107.