金秀章，李 京

(华北电力大学 控制与计算机工程学院，河北 保定 071003)

1 引 言

发展经济的同时，环保达标已经成为了一项重要指标[1]。近年来我国对使用火电机组的电厂SO2排放的要求[2]为小于35 mg/m3。所以，火电厂需要严格控制SO2排放，SO2浓度的检测也更需要达到准确、迅速以及对入口SO2浓度进行提前控制。

目前，由于测量SO2的仪器测量时间较长且火电厂的SO2测量仪的安装位置距烟气管道较远等原因，无法及时测得SO2值，使得存在煤燃烧后要经过一定延迟才会发现SO2浓度的变化，对脱硫作业以及提前喷浆控制都十分不利。因此，需要对SO2入口浓度进行预测，进行喷浆提前控制。

传统的SO2排放预测是通过CEMS仪表进行检测。这些仪表价格昂贵且需要人工安装以及硬件的维护，建设与维护费用较高。通过本文提出的软测量预测模型，预测精度贴近实际仪表测量值，可以节约建设成本与维护费用。

软测量技术是通过计算机，利用实际中易测量的辅助变量，对难测量或无法测量的主导变量进行预测[3]。软测量建模有基于机理建模法[4]、数模建模法[5]、回归分析法[6]、灰色预测法[7]、人工神经网络建模法(artificial neural network,ANN)[8]、支持向量机建模法[9]等。其中，在支持向量机分类法基础上发展出了最小二乘支持向量机(least squares support vector machines，LSSVM)，预测结果的好坏，由LSSVM模型的参数决定。本文采用粒子群算法(particle swarm optimization，PSO)进行参数选取的优化，提高了模型的预测精度。

2 互信息理论

在机器学习中，信息熵(information entropy)常用来描述一个事物所包含信息量的多少，因此信息熵可以成为函数的优化目标或者方程式中参数选取的最佳值。……