王雅彬，李晓敏，边泽楠，赵文杰

0 引言

污染气体NOx排放量的控制是火电机组运行中亟待解决的一个问题，近年来，通过锅炉燃烧优化来实现降低NOx排放量成为人们的一个研究热点。由于电站锅炉NOx的生成机理很复杂，诸如受到煤种、锅炉负荷、风煤比、配风方式、炉膛温度以及炉膛温度分布的均匀度等多种因素的影响，难以用基于机理的简洁明确的数学模型描述［1］。为了准确描述各影响因素与NOx排放量之间的关系，基于运行数据的各种黑箱建模方法受到了人们的广泛关注。近年来，作为机器学习领域中备受瞩目的支持向量机(SVM)在许多领域得到了成功应用，显示出了巨大的优越性。本文在分析了NOx排放量影响因素的基础上，结合某锅炉燃烧调整的热态试验数据，建立了基于SVM的NOx排放量的软测量模型，并应用实际运行数据验证了模型的有效性，为燃烧优化控制的实施打下了基础。

1 基于SVM 的软测量方法

软测量的原理就是根据某种最优准则，选择一组与被估计变量(主导变量)相关的一组辅助变量(二次变量)，通过建立以辅助变量为输入，被估计变量的最优估计为输出的数学模型［2～7］。基于支持向量机的软测量模型属于黑盒子一类的模型，只关心对象的输入和输出，而不必关心对象的具体结构，输入输出的映射关系由支持向量机来完成，本文采用最小二乘支持向量机算法，其算法如下:

设训练样本集为

则LS-SVM 预测模型为

式中:［b α1α2… αn］为模型参数;K(x，xi)为核函数，是高维特征空间的内积，根据泛函的有关理论，只要满足Mercer 条件的函数都可以作为核函数［7］。……