金 鹏

(辽宁工程职业学院电气工程系，辽宁 铁岭 112008)

1 引言

在锅炉运行中，由于燃料中含有氮，以及空气中的氮在高温下氧化等原因，锅炉燃烧势必要释放出一部分氮氧化合物NOx。在如今节能减排背景下，在锅炉负荷稳定前提下，降低NOx排放量浓度成为当前人们的关注热点[1]。建立合理的锅炉燃烧系统NOx排放量浓度模型是提高锅炉热效率的有效方法[2]。然而，锅炉燃烧系统是一个多输入变量、非线性、强耦合的复杂系统，经典的机理建模方法不能胜任复杂、非线性的系统建模。目前，很多大型供热系统都采用DCS分布式监控系统，建立了热力数据集控系统数据库。这为通过机器学习算法建立锅炉NOx排放量浓度模型提供了数据样本支持。文献[1-4]提出采用人工神经网络建立锅炉预测模型，然而，神经网络存在模型训练时间较长、易于陷入局部最优值现象。文献[5-6]通过支持向量机(SVM)算法建立锅炉预测模型，但对于大样本建模，SVM存在训练时间过长，容易产生过度拟合的问题[7]。文献[8]将支持向量机回归(SVR)应用于锅炉建模中，但锅炉预测模型的各输入变量存在耦合性，精细调节锅炉参数较为困难。

提出一种改进的SVR锅炉燃烧系统建模方法。将双态粒子群算法(binary-state particle swarm optimization，BPSO)与SVR相结合，利用双态粒子群算法在线调节SVR预测模型的参数，提高SVR建模精度及泛化性。

2 支持向量回归理论

支持向量机算法(support vector machine，SVM)是一种分类算法，其本质是寻找一个最优分类面使样本分隔[9]。

支持向量回归(Support Vector Regression，SVR)是一种回归拟合算法，是在SVM的基础上引入不敏感损失函数[9]，寻找一个最优面使样本距离最优面的误差最小[9]。……