刘延泉， 杨 堃,2， 王如蓓,2

(1. 华北电力大学 控制与计算机工程学院，河北 保定 071003; 2. 河北省发电过程仿真与优化控制工程技术研究中心(华北电力大学)，河北 保定 071003)

0 引言

长期以来，我国发电行业一直以煤炭为主要发电能源，燃煤过程中会产生大量的NOx气体，其不但会危害到动、植物的生长，更会对生态环境造成极大的危害。目前，火电行业运行中排放的NOx已经超过全国排放总量的1/2,大多数火电机组采用选择性催化还原技术(Selective Catalytic Reduction, SCR)对烟气进行脱硝，以降低氮氧化物的排放量，同时使用烟气自动监控系统(Continuous Emisson Monitoring System, CEMS)测量烟气中NOx质量浓度，但由于CEMS对NOx浓度的测量有较大的迟延，无法及时反映SCR反应器入口NOx浓度的变化，因此得不到最佳的喷氨需求量。因此，建立有效的入口NOx浓度预测模型具有重要的意义[1～3]。

机组负荷、煤量、风量、二次风门开度、烟气含氧量等众多因素会同时影响NOx的生成，这些因素间相互耦合，单纯地采用机理构造反应器入口NOx的预测模型有很大局限性。近年来，在NOx生成与排放的预测建模等大量非线性问题的处理中，神经网络和支持向量机等人工智能技术得到了广泛关注[4]，其中，最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM)可以将二次规划的问题转化为线性方程组的求解，大大加快了运算速度，因而在解决实际问题中得到了广泛应用，并且都取得了良好的预测效果[5-6]。LSSVM模型参数的选取对其泛化能力有很明显的影响，主要参数包括惩罚因子C和核参数σ。在建立SCR脱硝反应器入口NOx的LSSVM预测模型时，出于降低模型复杂度、减少训练时间、避免“维数灾难”、易于工作者等方面考虑，需要选出相关性最强的特征作为此预测模型的输入[7～9]。……