Die Schwefeldioxid (SO₂) -Emissionen von Kohlekraftwerken sind eine der Hauptquellen für Luftverschmutzung. Die Schaffung eines effektiven Modells zur Vorhersage der SO₂-Emissionen trägt zur Lösung des Problems der Überschreitung der SO₂-Emissionen aufgrund der Instabilität des Prozesses der Entfernung von Schwefelgasen innerhalb des Wirbelschichtkessels (CFB) bei und führt zu einer verzögerten Entfernung von SO₂. Die SO₂-Emissionseigenschaften hängen von vielen thermodynamischen Parametern ab, und es besteht eine Korrelation und Wechselwirkung zwischen diesen Parametern. In diesem Artikel wird ein Vorhersagemodell für die SO₂-Emissionen auf der Basis der Variablenselektion und der Support-Vektor-Maschine (SVM) vorgeschlagen. Auf der Grundlage von Betriebsdaten eines 300-MW-CFB-Kessels wurde ein zweiseitiges bipolares neuronales Netzwerk zur Reduzierung der Dimension und Komplexität der Eingangsvariablen verwendet, die ausgewählten Variablen wurden als Eingänge für das BP-SVM-Modell verwendet. Unter Verwendung der K-Fold-Kreuzvalidierungsmethode durch Gittersuche wurden die optimalen Modellparameter bestimmt, ein Modell zur Vorhersage der SO₂-Emissionen BP-SVM wurde erstellt. Der Vergleich des BP-SVM-Modells mit dem SVM-Modell ohne vorherige Variablenselektion zeigte, dass das BP-SVM-Modell nach der Variablenselektion die Modellkomplexität effektiv reduzieren und seine Verallgemeinerungsfähigkeit verbessern kann.

Wirbelschichtkessel CFB; Entfernung von Schwefelgasen; Variablenselektion; Modell BP-SVM; SO2-Emissionseigenschaften; Verallgemeinerungsfähigkeit; Vorhersageregler