基于KPCA-AGRU神经网络的火电机组NO_(x)排放预测

针对火电机组锅炉燃烧过程中预测NO_(x)排放过程存在的非线性和时序性特点,提出一种基于核主成分分析(KPCA)和注意力机制(AM)的门控循环神经网络(GRU)氮氧化物预测模型。首先选用KPCA对模型的输入变量进行降维,消除冗余变量;其次,将筛选的变量数据作为GRU的输入,并采用网格搜索优化GRU的超参数;最后,引入AM计算权值,实现区分输入特征功能,提高NO_(x)预测模型精度。通过某330 MW电站锅炉实际数据对AGRU预测模型仿真验证,并将AGRU模型、GRU模型和BP神经网络模型的预测结果进行对比。结果表明:基于AGRU的NO_(x)预测模型的均方根误差和平均绝对误差较BP神经网络和GRU模型均有减少,可精准预测非线性时序燃烧过程的NO_(x)排放。