基于支持向量机与高斯分布估计的低NOx排放

燃烧优化的核心在于建立有效而快速的建模工具及寻优算法，以便于在线应用。为了研究新方法的适用性以及克服常用算法的缺点，本文利用支持向量回归建立了大型四角切圆燃烧电站锅炉NOx排放特性模型。利用大量的热态实炉试验NOx排放数据对模型进行了训练和验证。结果表明，支持向量回归模型能获得较神经网络模型更加准确的预测结果，相对于神经网络，支持向量回归能更好处理大样本量数据的非线性问题。随后，采用一种基于高斯概率密度(GPDD)的分布估计优化算法对NOx排放模型进行了寻优。研究发现，与遗传算法相比，GPDD具有更好的寻优能力与更快的收敛速度。结合支持向量回归与高斯概率密度分布(GPDD)算法能有效降低燃煤锅炉NOx排放量，不到1min的优化时间便于在线应用。研究结论可为该算法在实际电厂中推广应用提供参考依据。