梁 涛，靳云杰，姜 文，刘子豪

(1. 河北工业大学人工智能与数据科学学院，天津 300130; 2. 河北建投能源投资股份有限公司，河北 石家庄 050011)

0 引 言

随着经济快速发展，火电厂的燃煤消耗量逐年增加，伴随而来的是NOx的排放量越来越多。NOx易形成酸雨和光化学烟雾，不仅污染环境而且会造成一定的经济损失[1]。因此，降低NOx排放量是电厂面临的重要课题。

目前国内的电站燃烧运行主要由运行人员根据自己的工程经验进行燃烧调整，但是由于锅炉燃烧的复杂性，此种方法费时费力而且优化效果不太理想。近年来随着机器学习与智能算法的不断发展，为锅炉燃烧优化提供了一种新的方向。通过建立一个精确的锅炉燃烧系统模型[2]，并以此模型为基础，通过智能算法优化锅炉运行时的可调参数，给出可调参数的最佳值，可以实现锅炉的清洁高效运行，降低锅炉运行过程中的NOx排放量。

人工神经网络（artificial neural networks,ANN）作为当前比较热门的一个研究方向，已被许多学者成功应用于燃煤锅炉NOx排放量的预测和优化[3]。但是人工神经网络也存在着一些缺点，例如训练过程需要大量的样本数据，并且容易出现过度拟合的问题。支持向量机[4]（support vector machine,SVM）是一种根据统计学习理论，以结构风险最小化原则为基础的机器学习方法，因其具有结构简单、泛化能力强的优点，有效解决了神经网络训练过程中出现的过拟合问题，所以被广泛应用于故障诊断[5]、缺陷检测[6]等工程领域。然而，由于SVM在训练样本增多时会导致其计算量急剧增加，影响其建模的效率。……