现阶段火力发电尤其是燃煤电站仍将在我国电力结构中占主要地位,同时燃煤电站带来的环境污染问题也不容忽视。为了实现污染物超低排放,我国现有燃煤电站均加装了尾部烟气脱硝系统,其中应用最广泛的是选择性催化还原（Selective Catalytic Reduction,SCR）脱硝系统。目前SCR脱硝系统中,喷氨控制系统主要采用比例积分微分（PID）串级控制方式,通过调节喷氨量来提高脱硝效率。但由于SCR脱硝反应过程具有非线性和大滞后的特性,喷氨量难以快速适应入口氮氧化物（Nitrogen Oxides,NOx）浓度的变化。当喷氨量过少时,易导致脱硝效率降低和NOx排放量超标;而当喷氨量过多时,易生成副产物降低催化剂活性并堵塞空预器;另外,过量的氨气也会腐蚀空预器,造成氨成本浪费和二次环境污染。未来随着新能源电源大量并入电网,燃煤电站将多数时刻运行在低负荷或变负荷工况,加大了燃煤电站实现NOx超低排放的难度。因此,需要对现有喷氨控制系统实现优化。为更好地实现喷氨控制系统的优化,需要先建立尽可能准确的SCR脱硝系统的数据驱动模型,而现场运行数据通常存在非线性、滞后性、多样性等不利于建模的特点。因此,首先需要对传统数据驱动模型进行改进,以提高模型的泛化能力,并针对现有喷氨控制系统进行优化,实现喷氨量更精准的控制,保持较高的脱硝效率,尽量减少氨逃逸,对于保障机组的安全运行和降低脱硝运行成本具有重要意义。本文分析了燃煤电站的燃烧系统和SCR脱硝系统的特点,以及现有喷氨控制系统存在的问题,分别从数据预处理、数据驱动模型改进和喷氨控制策略优化三个方面进行研究:（1）提出采用基于粒子群优化（Particle Swarm Optimization,PSO）算法优化概率神经网络（Probabilistic Neural Network,PNN）的异常值检测方法（简称PSO-PNN）对SCR脱硝系统历史数据的异常值进行识别与剔除;同时,提出基于滑动窗口优化的Nadaraya-Watson回归多重填补法,实现对SCR脱硝系统历史数据的异常缺失值填补。仿真结果表明,PSO-PNN方法具有较好的异常值检测性能,基于滑动窗口优化的Nadaraya-Watson回归多重填补法能够取得较好的热工数据自适应填补效果,可以满足后续建模工作对数据预处理的要求。（2）提出基于集成经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和改进鲸鱼优化算法（Improved Whale Optimization Algorithm,IWOA）优化深度极限学习机（Deep Extreme Learning Machine,DELM）的算法（简称EEMD-IWOA-DELM）,建立SCR脱硝系统入口 NOx浓度数据驱动预测模型。仿真结果表明,结合EEMD技术具有能处理非线性、非平稳信号的优点,使模型适用于大范围变工况,可提高预测模型的精度;采用IWOA优化DELM模型的参数,将EEMD与IWOA-DELM相结合,形成优势互补,可进一步提高模型预测精度。（3）提出将注意力机制引入卷积神经网络双向门控循环单元（Convolutional Neural Network Bidirectional Gated Recurrent Unit,CNN-BiGRU）,实现建立 SCR脱硝系统出口 NOx浓度数据驱动预测模型。仿真结果表明,采用BiGRU可以对CNN的特征向量构造的时间序列的动态变化进行学习,实现动态数据驱动建模,提高模型泛化能力;引入注意力机制通过映射加权和学习参数矩阵赋予BiGRU隐含层状态不同的概率权重,可减少历史信息的丢失,并加强重要信息对出口NOx浓度的影响,进一步提升模型的预测精度。（4）提出将得到的SCR脱硝系统入口 NOx浓度预测模型的输出作为前馈信号,同时将SCR脱硝系统出口 NOx浓度预测模型的输出经过微分控制器,将出口 NOx浓度的变化量提前反馈至喷氨控制系统,实现SCR脱硝系统的复合优化控制。仿真结果表明,经过优化控制之后,SCR脱硝系统出口 NOx浓度始终低于排放标准,在保持较高脱硝效率的同时有效降低氨逃逸,避免了阀门执行器机构出现饱和;同时将该控制策略应用于现场,也取得较好的控制效果。