基于混合深度网络的电站锅炉NO_(x)排放预测

摘要

为降低燃煤电站锅炉氮氧化物(NO_(x))的排放量,优化燃烧与脱硝控制,提出一种基于数据驱动的融合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的混合深度学习网络模型并引入网络隐层输出全局注意力机制(GAM)来预测锅炉出口NO_(x)排放量。首先对某2×300 MW电站锅炉运行历史大数据提取并预处理,然后在确定模型输入变量的基础上利用互信息(MI)理论校准各输入变量与NO_(x)排放量之间的时间延迟并重构样本序列,最后构建CNN-BiLSTM-GAM模型并将该模型与其他几种典型模型的预测效果进行对比。实验结果显示,该模型预测结果的均方根误差(RMSE)、平均绝对百分比误差(MAPE)、决定系数(R-square)分别为:1.866、0.44%、0.983,为各模型中最优值,表明该模型比其他模型有更高的预测精度和更好的泛化能力。