摘要
燃煤机组燃料燃烧过程中生成的氮氧化物(NOx)排放对人体和环境造成了极大的危害。为了推动我国经济实现健康绿色增长，同时满足电力供应需求，建立精确有效的NOx排放量模型能够为降低燃煤机组锅炉NOx排放提供有利支持。以基于粒子群算法的支持向量机模型(PSO-SVM)作为集成模型的弱学习器算法，采用改进的Adaboost集成方法对锅炉NOx排放量进行预估，取得了准确性和实时性更好的预估效果。论文研究内容分为以下几个方面： （1）首先阐述了NOx排放量的动态预估对SCR脱硝系统的重要性和锅炉燃烧工况优化的意义；然后分别对国内外锅炉NOx排放量预估的研究现状进行了综述。 （2）分析了锅炉NOx排放量的生成机理，并结合运行数据对NOx排放量进行变量选择得到其主要影响因素；通过对锅炉NOx的生成机理进行分析可知原始变量中每个变量相对锅炉出口NOx浓度均有不同程度的滞后，通过互信息方法分析了每个变量对应的迟延时间。 （3）研究了基于粒子群算法的锅炉NOx排放量支持向量机建模方法(PSO-SVM)。首先，介绍SVM模型及PSO智能优化算法的基本原理，并通过PSO算法对支持向量机模型相关参数进行寻优；然后，以加入迟延时间的影响因素作为模型的输入，采用粒子群算法优化的支持向量机建立了电站锅炉NOx排放量的模型。 （4）研究了改进Adaboost算法的锅炉NOx排放量多模型集成建模方法。首先，阐述了基于Adaboost算法的模型集成方法及其基本算法；提出了一种对损失函数优化的Adaboost集成算法，算法中引入正则化因子和先验知识参数以提高模型的精确度和泛化性能，有效地降低了模型的复杂性；最后，以某电厂350MW燃煤机组为研究对象，基于机组的实际工况和运行数据，采用PSO-SVM作为弱学习器模型和改进Adaboost集成算法，建立了锅炉NOx排放量集成模型。与上述单一模型相比，基于改进Adaboost算法的锅炉NOx排放量建模方法有效地提高了模型的准确性和稳定性，且其泛化能力有所提高。
NETL