垃圾焚烧炉烟气中二噁英的浓度一直是关注的焦点，对二噁英的测量存在成本高、时间长、无法实时监测等问题，因此以焚烧炉的运行参数和可监测的污染物浓度为基础，通过软测量实现二噁英浓度的间接在线监测显得尤为重要。本文使用机器学习算法建立了支持向量机、极端梯度提升（eXtreme Gradient Boosting,XGBoost）、随机森林、神经网络、决策树、线性回归六种不同类型的回归预测模型，通过优化参数、降低模型误差来提高泛化能力，并运用5折交叉验证法和回归模型评估标准对这六种模型进行了全面分析对比。结果表明，对于训练集和测试集均是支持向量机模型的表现最好，其测试集的平均绝对误差(SMAE)、相对误差(SRE)均和决定系数（R2）分别为6.93、3.36和0.98。通过支持向量机模型分析了烟气温度、燃烧室温度、CO浓度、HCl浓度、颗粒物浓度这五个特征变量对二噁英浓度的影响，发现CO浓度对二噁英浓度的影响程度最大，呈正相关；燃烧室温度次之，燃烧室温度在800～900℃时，二噁英浓度最大。本研究为垃圾焚化炉中二噁英排放浓度的软测量提供理论依据。

国家重点研发计划项目（2020YFC1910000）；国家能源集团科学技术研究院有限公司科技项目（YC2024Y01）；

0 引言
1 研究方法
1.1 回归任务
1.2 机器学习预测过程
1.2.1 模型训练
1.2.2 模型评估
1.3 机器学习模型的建立
1.3.1 数据来源
1.3.2 构建模型
1.4 各机器学习模型的评估
1.4.1 交叉验证法评估法
1.4.2 回归模型评估法
1.4.3 模型预测表现
2 结果与讨论
2.1 单一因素对二噁英浓度的影响
2.2 双因素对二噁英浓度的影响
3 结论

[1]张磊,周磊,杨国辉,等.基于机器学习的垃圾焚化炉二噁英排放浓度软测量研究[J].电力科技与环保,2024,40(06):646-656.