两级浓淡燃烧室内氨-氢-空气预混旋流燃烧过程的NO_(x)排放特性

为了掌握燃气轮机两级浓淡燃烧室内氨-氢-空气预混旋流火焰的NO_(x)排放特性和影响NO_(x)生成的动力学机制,对氨-氢-空气预混旋流燃烧过程进行了三维反应流数值模拟并开展了燃烧反应动力学特性研究.结果表明:在掺氢比为35%、压力为0.5 MPa且当量比为1.20的绝热燃烧工况下,NO_(x)排放可降至54×10^(-6)(15%O_(2)).H+O_(2)(+M)=HO_(2)(+M)是燃烧压力影响氨-氢燃料燃烧过程中NO_(x)排放的关键反应.燃烧压力的升高会促进NO与HO_(2)反应并转化为NO_(2).对于氨-氢混合燃料而言,过高的掺氢比(60%~80%)会导致NO_(x)排放显著升高,而根据壁面热损失程度的不同,适当的掺氢比(35%~55%)则有利于实现较低的NO_(x)排放(54×10^(-6)~86×10^(-6)(15%O_(2))).

200 kW煤纯化-燃烧和宽负荷NO_(x)排放特性

为了适应当今我国的能源结构和降低煤炭发电等利用过程中产生的污染物排放问题,提出了煤炭纯化-燃烧的新型煤炭反应方式,将整个煤炭的燃烧途径分为纯化和柔和燃烧2个步骤,其中纯化包括中温活化过程(对煤进行性能活化)和高温还原过程(在高温下进行煤中杂质的去除),从而实现煤的纯化和在后续反应中的N元素的定向转化和NO_(x)排放的降低。并在搭建好的200 kW纯化-燃烧试验台上,对宽负荷下系统的纯化-燃烧特性和N元素的转化机理进行了研究。结果表明,系统能够在53%~89%的负荷内实现稳定运行,纯化单元和柔和燃烧单元温度分布均匀,系统的温度随负荷的升高而增加,纯化单元的高温区位于高温还原单元底部,最高可达1378℃,而柔和燃烧单元的高温区则出现在距顶端3700 mm处。在纯化单元出口的煤气中,CO、H_(2)和CH_(4)的体积分数在89%负荷时最高可达23.28%、4.97%、1.52%,随着负荷的增加,燃料中C、H、N元素的转化率均有上升,且高温还原单元出口的元素转化率明显大于中温活化单元出口,达到了88.63%、96.83%和93.91%。大部分的N元素均生成了N_(2),53%负荷下仅有1.27%的N转化生成了NO,NO_(x)排放最低可以达到47.38 mg/m^(3),此时燃烧效率可达99.01%。对氮的迁移路径转化的研究表明,系统在柔和燃烧单元沿程并没有检测到HCN的存在;而NH3则广泛存在于三级三次风喷口前;NO_(x)首先以N_(2)O和NO_(2)的形式分布在柔和燃烧单元沿程,在四级三次风喷入后转化为NO。

NH_(3)/H_(2)掺混MILD燃烧及NO_(x)排放特性的数值模拟

化石能源的利用推动了人类社会的进步,但也造成了全球气候变化,威胁人类的生存与发展。在此背景下,氨和氢作为零碳燃料引起了人们的重视,但其燃烧利用面临诸多问题。MILD燃烧是一种新型燃烧方式,有望实现氨/氢混合燃料的清洁高效燃烧,但目前研究非常有限。采用数值模拟方法对预混NH_(3)/H_(2)射流火焰的MILD燃烧和排放特性进行研究。改变了射流中的氢气比例(X(H_(2))F)和当量比(Φ_(J)),并详细分析了温升、反应域、抬升高度、自由基浓度以及氮氧化物(NO_(x))排放等。结果表明,添加少量H_(2)可显著增强NH_(3)火焰的稳定性,降低自着火温度并消除火焰抬升。此外,X(H_(2))_(F)的增加能提高燃烧温度,加快H、O和OH自由基的产生,并使燃烧模式由MILD燃烧转变为高温燃烧。富燃料且氢气比例较低时,NH_(3)在燃烧前大量分解为H_(2),导致燃烧温度较高。关于NO_(x)排放,N_(2)O和NO是最主要来源,NO_(2)可忽略不计。整体上,N_(2)O和NO的排放随X(H_(2))_(F)的增加先升高再降低。当X(H_(2))_(F)较低时,N_(2)O的浓度峰值与排放量和NO相当。提高X(H_(2))_(F),温度升高,导致N_(2)O转化为NO和N_(2),因此NO变为主要的NO_(x)排放源。此外,富燃工况中,燃烧温度、OH浓度及射流对伴流中氧气的卷吸共同影响NO排放。

核准制下超超临界火电机组NO_(x)排放特性的数值模拟

围绕新建火电项目核准制度,以某新建超超临界火电机组1000 MW四墙切圆燃煤锅炉为研究对象,运用FLUENT数值计算软件对其进行1:1实体建模,选择对应的数学模型,采用数值模拟的方法对燃煤锅炉在不同过量空气系数、磨煤机组合方式以及锅炉负荷率下的NO_(x)生成特性规律进行了研究。结果表明:炉内过量空气系数在1.1~1.15时可取得较低的NO_(x)排放及较高的燃烧效率。6层燃烧器全部投运工况下,锅炉燃烧NO_(x)生成量较多,投运5层燃烧器时,磨煤机组合方式为ABCDE可取得最低的NO_(x)排放,组合方式为BCDEF时NO_(x)排放浓度最高。随负荷减小炉内温度下降,NO_(x)生成量减少,而气流组织和燃尽度较差。

不同海拔下国Ⅵ重型柴油车实际道路NO_(x)排放特性

为了解不同海拔下国Ⅵ重型柴油车的NO_(x)排放特性,利用便携式排放测试系统(PEMS)在4个不同海拔城市(襄阳、昆明、丽江和香格里拉)对国Ⅵ重型柴油车进行实际道路排放测试。结果表明:随着海拔高度的升高,NO_(x)排放呈现增加趋势,高海拔下的平均NO_(x)排放速率是平原的4.65~20.58倍,NO_(x)综合排放因子是平原的2.80~13.75倍;不同载荷条件下香格里拉的NO_(x)综合排放因子是襄阳、昆明和丽江的1.27~13.75倍;市区路的NO_(x)排放因子是市郊路和高速路的1.05~6.49倍,且香格里拉市区路的排放因子超过400 mg/km;在Bin 11~Bin 14和Bin 21~Bin 28区间,随着机动车比功率(VSP)的升高,NO_(x)排放速率表现出先增大后减小的趋势;不同海拔下车辆从市区路到市郊路、市郊路到高速路行驶时,NO_(x)瞬时排放速率出现峰值;NO_(x)高排放区域集中在高转速、高扭矩区间;海拔与平均NO_(x)排放因子的决定系数为0.86,表现出较强的正相关关系。

一次风率对煤粉气流床气化-燃烧特性及NO_(x)排放影响的试验研究

煤粉气化-燃烧技术是实现燃煤锅炉超低负荷稳燃和低氮氧化物(NO_(x))排放的重要方式。为了揭示一次风率(λ_(1))对煤粉气化-燃烧特性及NO_(x)排放的影响。采用自主搭建的对冲气流床气化-燃烧系统,研究了λ_(1)对煤粉气化特性,燃料N转化和NO_(x)排放特性的影响,采用热重分析仪和化学吸附仪对气化半焦的反应性和孔隙结构进行分析。结果表明:λ_(1)的增加会提高气化炉温度,使气化炉出口CO和CH_(4)的浓度分别降低了2.67%和2.43%;促进了固定碳的转化,其转化率增加了17.28%;燃料N的转化率增加了13.50%,其中增加了向N_(2)的转化,但降低了向NH_(3)的转化。同时,λ_(1)增加使气化焦炭具有更发达的孔隙结构,比表面积增加了95.77 m^(2)/g,孔体积增加了2倍,改善了气化焦炭的燃烧特性。气化燃料进入燃烧室后,当λ_(1)高于0.25时,燃烧室主燃区内未生成NO。λ_(1)为0.35时,燃烧室出口的污染物排放最低,NO_(x)和CO分别为115.86 mg/Nm^(3)(@6%O_(2))和39.25 mg/Nm^(3)(@6%O_(2));此时燃烧效率最高,为99.68%。因此,一次风对煤粉气化燃烧特性和污染物排放具有显著的影响,控制合适的一次风量可以降低污染物排放的同时提升燃烧效率。

基于LSTM-SAFCN模型的生物质锅炉NO_(x)排放浓度预测

针对生物质锅炉燃烧过程的动态特性,提出一种改进的长短期记忆-自注意力机制全卷积神经网络(LSTM-SAFCN)模型用于预测NO_(x)排放浓度。首先利用完全自适应噪声集合经验模态分解法(CEEMDAN)对数据进行预处理,消除数据噪声对NO_(x)排放浓度预测的影响;其次融合自注意力机制与长短时记忆-全卷积神经网络(LSTM-FCN)进行特征提取与预测建模,该拓展方法能够同时兼顾时间序列数据的局部细节与长期趋势特征;最后,利用生物质热电联产系统的实际运行数据验证了所提算法的有效性。

基于组合时域特征提取和Stacking集成学习的燃煤锅炉NO_(x)排放浓度预测

为提高火电厂锅炉出口NO_(x)排放浓度的预测精度,提出一种考虑组合时域特征的Stacking集成学习模型。首先,为挖掘数据深层信息,采用时序分析、完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)和统计学计算数据标准差、偏度等特征的方法进行组合时域特征提取以构建重构数据;其次,考虑到重构数据中存在的冗余变量对模型的精度有所影响,利用遗传算法(genetic algorithm,GA)对重构数据进行特征降维;最后,为充分发挥各个模型的优势以提高模型的预测精度,构建以极限学习机(extreme learning machines,ELM)、深度神经网络(deep neural networks,DNN)、多层感知器(multilayer perceptron,MLP)、极限梯度提升算法(extreme gradient boosting,XGBoost)为基模型和以回声状态网络(echo state network,ESN)为元模型的Stacking集成学习NOx排放浓度预测模型。实验结果表明:该预测模型在不同数据集下都有着不错的预测效果,预测误差均小于2%,能够对锅炉NOx排放浓度实现精准预测。

基于改进蜣螂优化算法的电站NO_(x)排放预测

锅炉燃烧优化在电厂锅炉经济稳定运行中起着重要作用,NO_(x)排放预测是其中的一个基本环节,因此提出了一种基于改进蜣螂优化算法优化卷积神经网络(convolutional neural network,CNN)与双向长短期记忆神经网络(long short term memory,LSTM)的组合模型超参数的超超临界锅炉NO_(x)排放预测的方法。首先通过Pearson相关性判定与NO_(x)排放相关的特征参数;其次建立CNN-LSTM预测模型,利用卷积神经网络CNN提取分层数据结构,长短期记忆网络挖掘长期依赖关系,然后结合佳点集、t分布变异策略对蜣螂算法进行改进,用改进后的算法对LSTM超参数进行优化得到最终预测模型;最后与其他神经网络模型进行对比验证。以某660 MW机组锅炉深度调峰实际数据进行预测,结果得到NO_(x)排放浓度实际值与预测值的平均绝对误差为3.3516,平均相对误差为2.4667,数据结果表明该预测模型具有更准确的预测效果。

重型柴油车实际道路NO_(x)排放分析方法研究

利用PEMS对6辆典型国六重型柴油车开展实际道路排放测试,基于功基窗口法(中国和欧盟)、NTE法(美国EPA)和3B-MAW法(美国CARB)研究了重型柴油车实际道路NO_(x)排放特性,探讨了不同分析方法的特点及适用性。结果表明:基于功基窗口法的NO_(x)排放结果符合中国和欧盟的监管要求,但基于NTE法和3B-MAW法的NO_(x)排放合规性具有不确定性。NO_(x)排放数据利用率低导致NTE法无法有效分析实际道路NO_(x)排放,3B-MAW法对NO_(x)排放分类管理值得借鉴。冷起动NO_(x)排放占PEMS试验的47.3%~80.7%,重型柴油车冷起动NO_(x)排放应被重视。然而目前中国、欧盟和美国的重型车实际道路NO_(x)排放分析方法均无法有效评估冷起动NO_(x)排放。因此,下阶段排放法规对冷起动NO_(x)排放的监管应当提出相应测试循环、分析方法和排放限值,切实降低重型柴油车NO_(x)实际排放。

重型柴油车NO_(x)排放因子与其浓度相关性研究

重型柴油车排放的NO_(x)污染物对环境空气质量影响较大,受排放标准、排放控制技术水平、检测方法、驾驶工况等众多因素的影响,当前较难整体评估在用重型柴油车的实际排放状况.本研究首先通过发动机排放台架试验及实际道路排放(PEMS)循环试验,探究了重型柴油车NO_(x)排放因子与NO_(x)平均浓度之间的内在联系;其次,研究了远程监控有效数据筛选规则,提出了一种基于NO_(x)日均浓度评估远程监控重型柴油车NO_(x)排放因子的方法.结果表明:重型柴油车发动机排放台架、PEMS循环试验的NO_(x)排放因子均与NO_(x)平均浓度呈较强相关性,相关系数(R^(2))为0.99.通过远程监控平台监测数据验证了重型柴油车的NO_(x)排放因子与NO_(x)日均浓度有一定相关性,R^(2)高于0.9(p<0.01).因此,可用重型柴油车排放的NO_(x)日均浓度来表征整车污染物排放情况.研究显示,安装远程终端的第五和第六排放阶段的重型柴油车,分别按照NO_(x)日均浓度低于200×10^(−6)和50×10^(−6)来判定排放稳定达标重型柴油车,按照NO_(x)日均浓度高于900×10^(−6)和500×10^(−6)来判定高排放重型柴油车,监管部门和车辆生产企业可利用该指标快速筛选排放稳定达标以及高排放重型柴油车.

煤粉富氧燃烧CO_(2)富集特性与NO_(x)生成量模拟预测研究

分析了富氧下的煤粉燃烧特性、CO_(2)富集特性和NO_(x)生成特性,并模拟了CO_(2)富集和NO_(x)生成量的协同控制趋势。结果表明:与空气燃烧相比,富氧燃烧条件下CO_(2)富集分布与NO_(x)体积分数分布是负协同效应;不同O_(2)/CO_(2)体积分数比的富氧下,随着O_(2)体积分数的增加,炉膛出口的CO_(2)体积分数和NO_(x)体积分数都先上升到最大值后稍微下降,呈正协同效应,但出现拐点的O_(2)体积分数不同;CO_(2)富集到一定程度时,能有效抑制NO_(x)的生成量;在富氧条件下,可实现炉膛出口的高CO_(2)富集与低NO_(x)生成量的协同控制技术。

超临界660 MW循环流化床锅炉NO_(x)排放控制困难分析及处理

为解决某电厂超临界660 MW循环流化床(circulating fluidized bed,CFB)锅炉满负荷运行NO_(x)排放较难控制、瞬时值易超过超低排放限值且选择性非催化还原(selective non-catalytic reduction,SNCR)脱硝系统氨耗量较大氨逃逸严重的问题,现场进行了NO_(x)原始排放、SNCR脱硝效率、CO质量浓度及底渣可燃物的试验,并进行了二次风量布置优化试验。研究发现:锅炉原始NO_(x)排放较低,满负荷运行时不超过120 mg/m^(3)(标准状态,下同);中低负荷时NO_(x)质量浓度低于50 mg/m^(3),但炉膛前后NO_(x)质量浓度偏差较大,烟气中的NO_(x)主要在炉膛前部产生。NO_(x)排放较难控制的原因是SNCR脱硝效率较低和炉膛给煤不均。6台分离器入口的SNCR脱硝效率均低于50.0%,其中B、C、E、F 4台分离器脱硝效率低于40.0%。此外,从原始NO_(x)生成来看,根据炉膛深度方向上床温分布、底渣可燃物质量分数和CO质量浓度变化可以确定,炉膛给煤不均也对满负荷NO_(x)排放控制影响显著。当前,电厂若不进行给煤系统改造暂无法实现给煤均匀,但可以通过调整炉膛深度方向二次风量配比降低原始NO_(x)生成,降幅可达9.77%。

考虑实际路况下排气温度的重型柴油车NO_(x)排放模型

选择性催化还原技术(SCR)是降低重型柴油车氮氧化物(NO_(x))排放的常用技术之一,且SCR系统内的NO_(x)转化率与尾气温度密切相关。然而,现有的NO_(x)排放测算模型主要考虑车辆行驶工况,缺少与排气温度的关联分析,从而增加了NO_(x)排放测算结果的不确定性,对排放清单的建立和减排政策的评估提出了挑战。本研究基于车辆实际运行工况和实测排放数据,建立NO_(x)排放速率库和NO_(x)排放率模型。随后,建立基于机动车比功率(VSP)和热损失系数的尾气温度模型。在此基础上,根据SCR系统中的化学反应原理,建立基于尾气温度的NO_(x)排放模型。最后,利用建立的NO_(x)模型和MOVES模型(移动源排放测算模型)分别估算NO_(x)排放量,并与实际排放情况进行比较分析。结果表明,本研究所提出的考虑实际路况下尾气温度的NO_(x)排放模型可以有效提高NO_(x)排放测算的准确性,在3辆重型柴油公交车上的NO_(x)测算相对误差分别为9.1%、3.9%和3.3%。相较于MOVES模型,相对误差分别降低了24.0、13.1和16.3个百分点。对不同运行工况下的NO_(x)排放特性分析表明,重型柴油货车的平均NO_(x)转化率比柴油公交车高39.2个百分点。

CFB锅炉燃用烟煤的NO_(x)与N_(2)O排放特性试验研究

燃煤CFB锅炉NO_(x)(NO、NO_(2))减排相关理论和控制技术的研究已比较成熟,我国燃煤发电行业大气污染物超低排放政策对于NO_(x)有明确的排放限值要求,而我国环保政策对于N_(2)O的排放质量浓度尚没有明确规定。为了研究CFB锅炉燃用烟煤NO_(x)和N_(2)O排放规律,在热功率1 MW的CFB试验台开展了试验研究。结果显示,炉膛温度由887℃提高到931℃,NO_(x)排放质量浓度由136.3 mg/m^(3)升至184.7 mg/m^(3),N_(2)O排放质量浓度由160.4 mg/m^(3)降至101.7 mg/m^(3);炉内石灰石脱硫的钙硫摩尔比由0提高到2,NO_(x)排放质量浓度由157.6 mg/m^(3)升至293.2 mg/m^(3),N_(2)O排放质量浓度由148.9 mg/m^(3)降至118.5 mg/m^(3)。随着炉膛温度和钙硫摩尔比的变化,NO_(x)和N_(2)O排放质量浓度呈现出相反的变化趋势。研究表明,燃料氮向NO_(x)与N_(2)O的转化存在竞争,两者之间也存在相互转化关系。氧体积分数由2.7%提高到4.6%,NO_(x)排放质量浓度由144.0 mg/m^(3)升至177.0 mg/m^(3),N_(2)O排放质量浓度由133.0 mg/m^(3)升至165.0 mg/m^(3),这表明,随着氧体积分数升高,NO_(x)和N_(2)O排放质量浓度同时升高,降低时同理,说明此条件下NO_(x)和N_(2)O可协同控制。试验各工况下测试的NO_(x)排放浓度为136.3 mg/m^(3)~293.2 mg/m^(3),N_(2)O排放浓度为101.7 mg/m^(3)~165.0 mg/m^(3)。现阶段,CFB锅炉N_(2)O的排放与控制研究较少,不同研究者测试结果也存在较大差异,研究结果可为燃煤CFB锅炉NO_(x)和N_(2)O的协同控制提供参考。鉴于N_(2)O对环境的不利影响,CFB锅炉在实施NO_(x)减排的同时,N_(2)O排放问题也应受到更多的重视,并有必要开展更加广泛的研究。

重型柴油机排气电加热NO_(x)排放控制技术研究

为解决重型柴油机在冷起动工况下的NO_(x)排放恶化问题,基于重型柴油机冷起动试验平台,自主设计了排气电加热系统,并研究了不同电加热功率对后处理后的NO_(x)排放和每度电可处理的NO_(x)排放的影响.结果表明:随着电加热功率从2 kW升高至8 kW,NO_(x)排放逐渐降低,每度电可处理的NO_(x)排放逐渐升高;电加热功率固定为8 kW时,NO_(x)排放达到最低(140.3 mg/(kW·h)),相比原机减少了51.55%;电加热功率固定为2 kW时,每度电可处理的NO_(x)排放最多为1 900.8 mg.基于此,通过仿真进行排气电加热器控制策略的开发,控制策略引入NO_(x)转化效率和燃油消耗量作为判据,每度电可处理的NO_(x)排放增加了19.27%.此时,仅消耗0.21 kW·h电能,即可将后处理后的NO_(x)排放从274.76 mg/(kW·h)降低至231.42 mg/(kW·h).

基于混合建模方法循环流化床锅炉深度调峰NO_(x)排放预测

为响应碳达峰,碳中和目标,我国循环流化床锅炉大规模参与深度调峰运行,导致锅炉NO_(x)排放浓度波动范围大,控制效果不佳,难以满足污染物超低排放需求,因此对深度调峰NO_(x)排放浓度进行精准建模预测有重要意义。以即燃碳模型为基础,深度剖析炉内NO_(x)生成和还原机理,建立炉内即燃碳燃烧模型、O2动态平衡模型、CO软测量模型、NO_(x)生成与还原模型,完成SNCR入口NO_(x)浓度机理计算;选取给煤量、床温、烟气温度及含氧量、一二次风量、尿素溶液流量作为NO_(x)排放浓度的输入变量,将SNCR入口NO_(x)浓度计算值作为拓展输入变量,对所有输入变量与NO_(x)排放浓度进行相关性分析和迟延补偿,完成数据集重构;采用长短期记忆神经网络对重构数据集进行训练和预测,并将鲸鱼优化算法用于长短期记忆神经网络的参数优化,建立循环流化床锅炉深度调峰NO_(x)排放浓度机理——数据混合预测模型。仿真验证表明混合预测模型不同工况下预测性能和泛化能力好,能够实现循环流化床锅炉变负荷时NO_(x)排放浓度的实时预测,相较其他预测模型的各项误差性能指标均显著提升,平均绝对误差δMAE达2.14 mg/m^(3),平均相对百分误差δMAPE达5.68%,决定系数R^(2)达0.902 1。混合预测模型能精准预测循环流化床锅炉深度调峰下NO_(x)排放浓度,为循环流化床锅炉超低排放智能控制系统的设计提供参考。

LOLIMOT模型在CNG发动机NO_(x)排放预测试验中的应用

为解决在选择性催化还原技术(selective catalytic reduction,SCR)的控制策略开发中局部线性模型树(local linear model tree,LOLIMOT)排放模型预测精度不足的问题,提出一种通过优化空间边界,将原模型的超矩形输入空间约束在物理意义范围内的改进LOLIMOT模型。通过某天然气发动机的辨识试验,从分布特征和计算原理角度,分析了该方法对预测结果的影响。结果表明:与原算法相比,改进算法的线性相关度R2提升了1.9%,验证了改进策略的有效性。改进LOLIMOT算法具备较高的收敛速度和稳定性,在排放模型领域具备一定的应用优势。

基于DDPG的锅炉NO_(x)排放和屏式过热器超温的多目标优化

锅炉空气分级燃烧技术的使用虽降低了NO_(x)排放,但同时造成了炉内高温火焰上移,导致位于炉膛上部的屏式过热器吸热量增加和超温加剧,影响机组的安全运行.因此,锅炉亟需一个可对NO_(x)排放和屏式过热器超温进行协调优化的多目标控制策略.针对目前基于机器学习的锅炉优化模型普遍局限于针对单一锅炉运行目标的优化,提出了基于深度强化学习的锅炉多目标优化模型,包括预测模型和优化模型:预测模型采用深度神经网络构建锅炉运行参数与NO_(x)浓度和屏式过热器温度的非线性映射;优化模型采用深度确定性策略梯度(DDPG)算法训练策略网络,通过优化运行参数实现锅炉的多目标协同控制.对某600MW锅炉的研究结果表明,通过锅炉配风和过热器减温水量等参数的调整,可实现NO_(x)排放和屏式过热器超温率的协同优化,NO_(x)排放平均降低22.6 mg/m^(3),屏式过热器超温率平均降低0.161.

基于AM-CNN-LSTM模型的柴油机NO_(x)排放预测

为精确控制选择性催化还原(selective catalytic reduction,SCR)系统的尿素喷射,提出一种基于注意力机制(attention mechanism,AM)的卷积神经网络(convolutional neural networks,CNN)-长短时记忆网络(long shortterm memory,LSTM)模型预测柴油机NO_(x)排放的方法,根据柴油机NO_(x)生成机理和车辆实际道路测试采集的数据选取相关变量;使用AM-CNN模型提取特征,利用LSTM模型对提取的特征进行分析预测NO_(x)排放。结果表明:该混合模型对NO_(x)排放的预测精度较高,计算时间较少,平均绝对误差为5.307×10^(-6),决定系数为0.932。根据预测模型中输入参数权重分析影响NO_(x)生成的关键因素,可以为优化柴油机燃烧过程提供参考。