近年来,随着我国经济的蓬勃发展,对电力需求量日益增加,而目前国内供电能源的主要形式依然是燃煤发电。燃煤发电过程会产生氮氧化物等污染物,给人类社会的生存环境带来巨大影响与挑战。为响应国家节能减排和电力行业绿色发展战略,实现燃煤电站超低排放势在必行。而截至目前,通过加装或改造脱硝装置等硬件设备的方式来实现低氮排放的目标已取得巨大成果,但是通过人工智能算法等软件的方式来实现电站锅炉建模及优化控制依然存在优化的空间。因此,针对燃煤电站锅炉运行过程存在多参数、非线性和多工况等复杂的特点,本文开展电站锅炉燃烧与脱硝过程建模及优化控制的研究具有重要意义和价值。本文的主要研究工作如下:（1）针对电站锅炉燃烧过程具有多参数耦合、多变工况等复杂特性,首先基于相关性分析方法和随机森林特征选择算法,筛选出与锅炉燃烧过程模型最相关的特征变量。然后,应用Mini Batch KMeans聚类算法对数据集进行锅炉工况聚类划分。接着,建立基于XGBoost（X）、随机森林（R）、Light GBM（L）、GRU（G）以及线性回归（L）的Stacking融合框架预测模型（简称,Stacking-XRLGL）,实现精准预测锅炉炉膛出口NOX浓度、供电煤耗量。最后,基于DDPG深度强化学习算法,实现锅炉燃烧过程可控运行参数的优化控制。当以降低炉膛出口氮氧化物排放浓度为优化目标时,经优化后燃烧阶段的出口NOX浓度由227.697mg·m-3下降到216.840mg·m-3,但燃烧过程经济成本增加了1.48%。当以减少锅炉燃烧过程成本为优化目标时,经济成本可降低1%～3%,但是炉膛出口NOX排放浓度增加了4.95%。（2）针对SCR电站脱硝过程具有多变工况特性,首先根据专家经验从DCS系统采集与脱硝过程模型最相关的特性变量数据。然后,基于Mini Batch KMeans聚类算法对数据集进行脱硝工况聚类划分。接着,基于Stacking-XRLGL多模型融合算法实现精准预测SCR脱硝出口NOX排放浓度。最后,基于DDPG深度强化学习算法,以降低脱硝过程成本为优化目标,在满足脱硝效率处在[85%,95%]范围内的约束条件下,寻求脱硝过程可控运行参数的最优值,经优化后脱硝阶段的经济成本降低了约6.74%。（3）在基于研究内容（1）和（2）基础上,首先将电站锅炉燃烧与脱硝过程联合起来,构建锅炉燃烧与脱硝协同总经济成本最小化模型。然后,基于DDPG深度强化学习算法,以降低总成本（燃烧过程成本+脱硝过程成本）为优化目标,在满足国家对氮氧化物排放标准(低于50mg·m-3)和脱硝效率处在[85%,95%]范围之间的约束条件下,寻求电站锅炉协同系统各可控运行参数的最优值。最后,实验优化控制结果为总成本降低了1%～3%,且相比锅炉燃烧单阶段和SCR脱硝单阶段优化,总经济成本分别降低了0.89%和2.26%。