基于AE-LSTM混合神经网络模型的NO_(x)排放预测

摘要

通过建立有效的NO_(x)浓度预测模型,可降低垃圾焚烧厂产生的NO_(x)排放. NO_(x)浓度受多个过程变量的影响,针对变量的时序特征和空间特征,提出了一种基于自动编码器(AE)和长短期记忆(LSTM)神经网络的NO_(x)浓度预测方法.自动编码器用于提取原始数据的深层次多维信息特征,并将其转换为低维数据特征.这样可以保留原始数据的大量信息,同时降低网络预测的复杂性.长短期记忆神经网络则用于建立NO_(x)浓度预测模型,该模型可以自动识别数据中的时序特征和空间特征,并用于训练和优化LSTM网络参数.该研究以重庆市某垃圾焚烧厂某锅炉的燃烧数据作为研究对象,并使用数据挖掘技术对原数据进行处理.接着,使用自动编码器(AE)提取数据的深层次多维信息特征,并将其输入到LSTM网络中进行建模.通过标准化工况数据进行训练和优化LSTM网络参数,最终建立了改进的AE-LSTM的NO_(x)浓度预测模型.实验结果表明,该改进模型相较于LSTM模型,预测准确率提高了5.4%且均方根误差降低了0.128,证明了该研究所采用的方法具有很好的应用价值,可以有效降低垃圾焚烧厂产生的NO_(x)排放.