基于Informer的CFB机组长序列NO_(x)排放预测研究与教学实践

为了研究循环流化床机组NO_(x)排放预测问题,采用Informer神经网络模型对某350 MW超临界循环流化床机组NO_(x)排放进行建模研究。首先,获取机组运行数据,对有关数据进行标准化处理;其次,确定实验方案,进行了6种不同NO_(x)排放长序列时序预测的仿真实验,并进行分析;最后,利用Transformer模型、RNN模型与LSTM模型按照相同实验方案进行NO_(x)排放预测,并与Informer模型的预测结果进行对比。研究结果表明,Informer模型通过注意力机制、蒸馏机制获得了较好的特征提取能力和长序列输入能力,该模型的NO_(x)排放预测效果在预测精度与时效性两个方面均明显优于其他三种对比模型,能够为循环流化床机组NO_(x)排放预测提供有效技术支持。该能源动力类学生的创新与实践教育项目,有助于锻炼学生的科研思维,能够为能源动力类专业实践教学发展提供一定借鉴。