本文研究的主要目的是预测燃煤电厂的NOx排放。针对国内外已发表的基于基本定量关系、经验和机器学习算法以及统计关系的NOx预测方法进行了全面的文献研究。观察和分析了所选择变量与NOx排放的关系,采用改进的最小二乘支持向量机(LSSVM)和长-短期记忆(LSTM)模型进行了 NOx预测,并对基于LSSVM和LSTM的NOx预测进行了对比分析。在这项工作中提出了更好的建议。重点是在全面工业应用中氮氧化物形成知识的具体领域和主要差距。模型间的直接比较、历史的观察和其他研究者的研究也证明了这项工作对理解NOx排放问题非常有帮助。工艺参数的变化会影响排放水平。为了正确认识煤燃烧过程中NOx的产生,了解NOx的现象、过程、涉及的变量以及对NOx检测方法的研究具有重要意义。为此,本文对NOx检测的一些方法进行了回顾和分析,探讨了它们的意义和不足,并强调了最佳机器学习优化技术在NOx检测中的必要性。为了正确认识煤燃烧过程中NOx的产生,了解NOx的现象、形成过程、涉及的变量以及研究已经开展的NOx检测的研究方法是非常重要的。为此,本文对NOx检测的一些方法进行了回顾和分析,探讨了它们的意义和不足,指出并强调了最佳机器学习优化技术在NOx检测中的必要性。讨论了基于LSSVM模型的NOx预测方法、策略和步骤。工艺参数的变化会影响排放水平。重点讨论了不同参数的加入和省略对NOx检测结果的影响以及对模型的整体影响。在模型构建过程中,选取了对NOx排放检测有较大贡献的变量和参数。对检测到的NOx绘制主要变量图,以观察它们与检测到的NOx的关系。采用改进的LSSVM模型处理过程变化。相应地,进行样本添加和样本替换以更新模型。采用均方根误差(RMSE)和预测精度(ACC)准则来评价预测精度和模型性能。结果表明,改进后的LSSVM模型在不同工艺特性下仍能保持较高的预测精度。基于具有动态记忆历史信息的LSTM技术,采用几乎相同的策略、模型和参数,进行NOx排放预测,并对两种模型的NOx检测结果进行对比分析。仿真结果表明基于LSTM的NOx排放预测精度优于LSSVM。