Um die Probleme bei der Messung des Sauerstoffgehalts in den Abgasen von Kraftwerken, wie hohe Kosten und geringe Messgenauigkeit, zu lösen, wurde ein präzises Messmodell des Sauerstoffgehalts unter Verwendung von Support Vector Machine (SVM) nach Auswahl einer geeigneten Sekundärvariable und Optimierung des Bestrafungskoeffizienten des Modells und Kernfunktionsparametern mit dem genetischen Algorithmus (GA) aufgebaut. Verwendung des besten Werts zur Erstellung des Messmodells für den Sauerstoffgehalt der Abgase GA-SVM und vergleichen der Ergebnisse der Parameteroptimierung unter Verwendung des Partikelschwarmalgorithmus und der Rastersuchmethode, und Überprüfen der Genauigkeit und Verallgemeinerung des Modells. Die Simulationsergebnisse zeigen, dass der genetische Algorithmus effektiver ist, um die optimale globale Lösung zu finden, das Messmodell für den Sauerstoffgehalt der Abgase GA-SVM Fehler im Bereich von ± 0,2%, ein relativer Fehler im Bereich von ± 4% aufweist und den Anforderungen an die Vorhersage des Sauerstoffgehalts in den Abgasen von Kesseln bei unterschiedlichen Lasten und Zeitintervallen entspricht, um eine genauere Messung des Sauerstoffgehalts in den Abgasen zu gewährleisten.

Sauerstoffgehalt in den Abgasen; Support Vector Machine; Genetischer Algorithmus; Partikelschwarmalgorithmus; Rastersuchmethode; Messmodell