论文部分内容阅读
燃煤电站锅炉SO2排放是大气污染的主要来源之一,建立有效的SO2排放预测模型有利于解决循环流化床（CFB）锅炉因炉内脱硫不稳定导致脱硫塔脱硫不及时而引起的SO2排放超标的问题。SO2的排放特性受众多热工参数影响,且各参数间存在相关性与耦合性,对此本文提出一种基于变量选择与支持向量机（SVM）的SO2排放预测模型。基于某300 MW CFB锅炉现场运行数据,采用BP神经网络降低输入变量的维度与复杂度,将筛选后的输入变量作为BP-SVM模型的输入,采用K-折交叉验证的方法通过网格搜索确定最优模型参数,建立SO2排放BP-SVM模型。将BP-SVM模型与未经变量选择的SVM模型对比分析,结果表明经过变量选择后的BP-SVM模型可以有效降低模型复杂度,提高模型泛化能力。