Para resolver el problema de la reducción de las emisiones de contaminantes y el aumento de la eficiencia de combustión de las calderas de lecho fluidizado circulante (CFB) en las centrales eléctricas, este estudio utiliza primero la máquina de vectores de soporte de mínimos cuadrados (LS-SVM) para construir un modelo de medición suave de la eficiencia de la caldera, las emisiones de NOx y SO2, luego compara el rendimiento del modelo LS-SVM y el modelo de red neuronal BP; luego, sobre la base del modelo LS-SVM construido, se proponen tres estrategias de optimización, y se utiliza un algoritmo de optimización mejorado de moscas de la fruta en un rango determinado para optimizar los parámetros ajustables de las condiciones de operación de la caldera CFB. Los resultados muestran que el modelo LS-SVM, en comparación con el modelo de red neuronal BP, tiene un tiempo de entrenamiento más corto, una mayor precisión de predicción y una fuerte capacidad de generalización, la eficiencia de la caldera CFB aumentó hasta un 0,61%, las emisiones de NOx y SO2 se redujeron hasta un 7,88% y un 18,13% respectivamente.

CFB; eficiencia de la caldera; NOx; SO2; máquina de vectores de soporte de mínimos cuadrados; algoritmo de optimización mejorado de moscas; optimización de combustión