根据《煤电节能减排升级与改造行动计划(2014-2020年)》要求所有发电机组NOx以及硫化物排放浓度必须小于50 mg/Nm~3。这对火力发电厂是新的挑战。由于燃煤发电厂的燃料煤质并不均匀,所以燃烧时污染物的产量并不均匀。而且,污染物排放量也会随着负荷指令以及给煤量,给风量等一些复杂因素的变化而变化。此外,我国大部分循环流化床采用了SCR烟气脱硝系统,而脱硫方面则是采用石灰石—石膏湿法脱硫技术即WFGD技术。然而,无论是SCR还是WFGD均为大惯性大延时系统,这给烟气出口处污染物的预测带来了较大的挑战。当前发电厂现场对于控制烟气出口处的氮氧化物以及硫化物的方法主要还是PID控制法,通过PID来控制喷氨阀门开度以及石灰石浆液阀门开度。这样的控制手段由于不具备对目标的预测能力,所以很难达到精准控制。为了使排放浓度符合要求,火电厂只能降低预定排放浓度,这样就必须加大喷氨量,加大石灰石浆液流量。但是这样会导致脱硫脱硝成本的大幅度提升,材料浪费,氨逃逸增加,浆液池中浆液PH值变大,进而增加设备腐蚀缩短设备寿命,增加脱硫脱硝成本,降低电厂经济效益。本文针对火力发电厂氮氧化物以及硫化物的排放浓度预测问题,利用滑动平均模型、最小二乘支持向量机、BP神经网络、粒子群优化等方法对氮氧化物及硫化物排放浓度分别建模并预测。此外,本文还着力研究了不同算法与发电厂现场实际运行情况的结合,使算法尽可能契合现场实际。最后通过火电厂实际运行数据仿真结果表明,本文所提的模型以及预测方法具有可行性。脱硝方面,本文做了如下工作。首先,采用相关系数法对影响NOx生成的诸多变量进行分类并选取六个主要变量,再用BP神经网络方法从中选取影响最大的三个关键影响变量作为预测模型中的输入变量。其次,采用相关系数法确定预测模型中三个输入变量的时滞参数。再次,利用最小二乘法估计滑动平均模型的其它参数,从而得到NOx生成过程的预测模型。最后,采用某电厂发电过程现场实际数据验证所提预测方法的有效性。脱硫方面,本文工作内容如下:第一,选择研究的数据集。因为脱硫系统相比于脱硝系统影响因素更多一些,且各影响变量变化更频繁,所以,数据中变量之间的关系较难以辨别,系统的时滞就更难以确定。所以,我们画出数据曲线后先确定了某一段时滞较为确定的数据集做研究。第二,对最小二乘支持向量机模型的预测变量进行了优化。前人的工作集中于把出口处二氧化硫浓度作为模型预测输出。本文为了使最小二乘支持向量机模型能够有更好的性能,便先把数据根据时间延迟进行平移,以消除分析数据时带来的时滞影响。接着,把烟气进口处二氧化硫浓度与烟气出口处二氧化硫浓度进行做差,把差值作为模型的预测输出。第三,把具有相同时滞变量的数据归为一类,并利用相关系数法选出代表变量。数据根据时间延迟进行平移后作为新的数据集带入LSSVM模型中进行建模。第四,利用PSO对LSSVM模型参数进行优化,进一步提高拟合精度。