基于特征优化和改进长短期记忆神经网络的NOx质量浓度预测

刘 岳，于 静，金秀章

（华北电力大学控制与计算机工程学院，河北 保定 071003）

随着大气污染问题日益严重，我国对燃煤机组NOx的排放要求也日益严格[1]。目前火电厂常用的烟气脱硝技术是选择性催化还原（SCR）脱硝技术，该技术设备结构简单，脱硝效率高。但电厂运行工况复杂多变，SCR设备入口烟气NOx含量波动频繁，使得脱硝过程喷氨量难以控制。当喷氨量过少时，NOx排放超标；喷氨量过多时不仅影响脱硝效率，还会腐蚀设备影响锅炉正常运行。因此，建立精准有效的入口NOx排放量预测模型，可为喷氨量的优化控制提供理论基础，对提高SCR烟气脱硝系统控制品质、减少电厂脱硝成本具有重要意义[2]。

燃煤机组NOx的产生受到多种因素如燃烧温度、一次风量、总煤量等影响，这些变量相互耦合，导致难以建立准确的 NOx排放量的预测模型。近年来，随着机器学习发展，许多建模方法被提出并应用于NOx排放量的预测。Zhou等人[3]采用支持向量机（SVM）建立了锅炉NOx排放量的预测模型。王博等[4]在SVM的基础上提出了一种基于支持向量回归（SVR）的预测模型，提升了模型的稳定性。Li等人[5]利用改进的粒子群（PSO）算法对SVM模型进行参数优化，提高了NOx排放量预测模型的精度。此外，神经网络也被广泛应用于NOx预测模型建立。谷丽景等[6]利用人工神经网络对NOx的排放进行了建模预测。李忠鹏等[7]利用寻优算法优化了BP神经网络参数，建立了更加精确的BP神经网络预测模型。周洪煜等[8]对传统的RBF神经网络进行了改进，通过引入混结构隐含层，改善了传统RBF神经网络变工况控制时的非线性和扰动适应能力。……