基于支持向量回归(SVR) NO_x 预测排放模型.docVIP

基于支持向量回归（SVR）的NOx预测排放模型 吴也正顾钧（苏州市环境监测中心站）摘 要目的 方法 用参数C，γ和训练组数据支持向量回归模型，搜寻最佳参数C，γ模型组对比。结果 SVR模型C = 84.45，γ = 1模型结论 关键词：烟气预测排放监测系统；烟气连续排放监测系统；支持向量回归NOx排放浓度预测 氮氧化物（NOx）是一种常见的大气污染物，因燃烧产生并排放的NOx对环境空气的质量具有重要的影响。为对固定污染源废气排放进行连续的监控，我们通常使用烟气连续监测系统（CEMS）测量实时的NOx排放浓度。在使用和推广CEMS的同时，各种问题也随之而来，比如由于安装和维护成本非常高，并且时常会遇到离线调试和更换部件所造成的有效监控数据缺失等问题，如何解决这些问题已变得十分必要。而基于数值计算模型的预测排放监测系统（PEMS）在国外的成功运用表明PEMS可能成为CEMS的一种替代方案。如何建立高效而准确的计算模型是PEMS的核心问题，较常见的基于人工智能算法之一的人工神经网络（NN）算法。而支持向量回归（SVR）模型在解决高度非线性问题方面也有着很好的运用，但鲜有运用SVR模型对NOx排放浓度进行预测的研究工作。本文通过介绍建立SVR模型并计算预测NOx排放浓度的过程，说明SVR模型能对固定污染源NOx排放浓度作出较高效准确的预测。 SVR是一种利用给定数据X找出多变量问题