1、目前環(huán)境污染問題已經(jīng)成為全世界的焦點(diǎn)?；鹆Πl(fā)電廠在保障電力充足供應(yīng)的同時(shí)，也成為了重要的污染源。如何采取有效的控制措施來限制污染物的排放已經(jīng)成為了當(dāng)前亟待解決的問題，特別是“超低排放”的概念提出之后，針對火電廠污染物排放量的先進(jìn)控制策略也相繼出現(xiàn)。但是對于污染物排放量的預(yù)測研究還為數(shù)不多，一些先進(jìn)的智能預(yù)測方法還未能應(yīng)用到該領(lǐng)域。比如說在其他領(lǐng)域都有著很好的應(yīng)用效果的神經(jīng)網(wǎng)絡(luò)預(yù)測方法，如果能將神經(jīng)網(wǎng)絡(luò)的預(yù)測能力應(yīng)用于實(shí)際生產(chǎn)過程當(dāng)中，對

2、污染物排放量的控制將大有裨益。
　　Elman神經(jīng)網(wǎng)絡(luò)本身具有動態(tài)建模的功能，非常適合對未知模型的預(yù)測估計(jì)。本文應(yīng)用遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)權(quán)重和閾值，對污染物排放量進(jìn)行預(yù)測。證明了改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)的Elman神經(jīng)網(wǎng)絡(luò)可以更好的預(yù)測污染物排放量，預(yù)測誤差更小，預(yù)測模型更加精確。
　　小波神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的一種，網(wǎng)絡(luò)結(jié)構(gòu)與典型的BP神經(jīng)網(wǎng)絡(luò)類似，隱含層所用激活函數(shù)為小波基函數(shù)。在既要加快學(xué)習(xí)速度又

3、要保持系統(tǒng)穩(wěn)定的前提下，可以在權(quán)重和參數(shù)修的學(xué)習(xí)規(guī)則中添加一項(xiàng)動量項(xiàng)，起到保證系統(tǒng)穩(wěn)定性和避免局部最小化的作用。學(xué)習(xí)規(guī)則修改后相比于之前在數(shù)據(jù)預(yù)測的精度方面有了明顯的提高。
　　如何在兼顧企業(yè)經(jīng)濟(jì)效益的同時(shí)，又不對環(huán)境造成污染，這是在完成污染物排放量預(yù)測之后要解決的問題。本文先將非線性規(guī)劃法與遺傳算法相結(jié)合，改善了遺傳算法局部尋優(yōu)效果差的問題。再將遺傳非線性規(guī)劃法與理想點(diǎn)法搭配使用，用于優(yōu)化多目標(biāo)函數(shù)。并針對目前火電行業(yè)要減少污染