基于GA-SVM的燃气轮机NOx排放预测研究向彬彬（重庆交通大学机械与车辆工程学院，重庆400041）摘要：为解决燃气轮机发电站存在NOx超标排放问题，根据燃气轮机运行过程的环境变量和工艺过程参数，提出一种基于GA-SVM模型的NOx排放预测方法。以UCI中的燃气轮机运行数据集进行试验。本文提出RMSE和MAE评估模型。结果表明：该模型输出均方根误差RMSE为8.79mg/m3，平均绝对误差（MAE）为6.23mg/m3，并通过与KNN模型和RF模型进行比较，验证了所提方法能够对燃气轮机NOx排放浓度进行准确的预测。关键词：燃气轮机遗传算法支持向量机NOx排放中图分类号：TK474.8；TP18文献标识码：A文章编号：1003-773X（2023）02-0047-03引言在电力工业中，燃烧过程是向大气中释放有害污染物NOx。随着燃气轮机的快速发展及其总设备容量的持续改进，燃气轮机NOx排放抑制技术越来越引人关注[1]。各国环保意识不断提高，196个国家通过了《巴黎气候变化公约》。该公约旨在减少全球温室气体排放，签署国已经通过了严格的环境法律，包括对碳排放征税。公约核心“空气污染物”一词包括所有可能危害生物的物质。发电厂和车辆使用的化石燃料的燃烧过程构成了空气污染的主要部分。NOx（NOx=NO2+NO）被认为是大气的主要污染物，因为它们造成了环境问题，如光化学烟雾、酸雨等[2]。所以，世界各地严格的环境规则将这些发电厂排放限制在一定的限度内，人们也特别关注减少发电厂排放的相关技术。在确保各单元的安全运行的前提下，为了使NOx的排出最小限度，在季节变化时需要对燃气轮机的运行进行调整[3]。近年来，各个领域都在与人工智能相结合，为一些多参数、非线性、强耦合相关问题提供了便捷方法。专家们找到了燃气轮机实时运行数据和NOx排放之间的关系[4]。张宝凯[5]使用结合多种特征选择的深度置信网络方法，以燃气轮机多种运行参数为输入变量，NOx的浓度进行了准确的预测。赵刚等[6]使用大量燃气轮机的过往运行数据建立神经网络NOx预测模型，并对影响燃烧性能的相关因素进行敏感性分析，以此来优化排放。为提高燃气轮机NOx排放的预测精度，本文提出基于GA-SVM模型的NOx排放预测方法，使用加利福尼亚大学欧文开放数据库（UCI）燃气轮机电厂的运行数据训练该模型。1支持向量机与遗传算法1.1支持向量机支持向量机（SVM）算法[7]是一种有监督的学习模型，不要求有严格的数据分布，广泛应用于各类数据的预测。线性与非线性都可用，在线性可分SVM中要求所有样本数据必须线性可分，但是实...
