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。

基于门控循环单元神经网络的NO_(x)排放量预测

电站燃煤锅炉产生的排放是大气NO_(x)污染的主要来源之一,建立有效的NO_(x)排放模型是锅炉燃烧优化降低NO_(x)排放的基础。为充分地挖掘数据源与锅炉NO_(x)排放量的相关性,提出一种基于多层门控循环单元神经网络(GRU)的NO_(x)排放预测模型。首先,利用主成分分析对火电厂高维数据进行处理;然后,将提取的主成分作为GRU网络的输入,得到锅炉NO_(x)排放预测模型。以某660 MW电厂实际运行数据对模型进行了验证,仿真结果表明多层GRU模型具有较高的预测精度和较强的鲁棒性,可以更有效地对火电厂NO_(x)排放量进行预测。

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。

基于在线学习的柴油机起动过程NO_(x)排放预测模型

为了构建准确的柴油机起动过程NO_(x)排放预测模型,分析起动过程瞬态运行特点,基于非线性自回归神经网络,结合起动试验数据选取模型特征,对比自注意力机制模型与标准反向传播神经网络模型NO_(x)排放预测效果,发现自注意力机制模型预测效果良好,且均方根误差较小;对比自注意力机制模型在在线梯度下降算法和FTRL算法2种在线学习的预测效果,发现采用FTRL算法可以使模型在未知工况下获得更好的预测性能;对比自注意力机制模型学习前、后的预测效果,发现学习后的模型均方根误差增大,但预测结果能力良好;对比在线学习模型与全数据训练集离线学习模型预测效果,发现两者的决定系数与均方根误差相差不大,预测效果都较好,但在线学习所用数据量和训练时间分别减少了68.7%和73.6%,大幅降低了存储和训练成本。采用FTRL算法的自注意力机制模型可减少数据存储和训练资源成本,并实时反馈预测需求。

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。

基于火焰体积模型的航空发动机燃烧室NO_(X)排放预测方法

本文采用数值模拟与污染排放半经验模型相结合的方法,以新定义的无量纲火焰体积作为新的特征参数,以数值模拟结果作为火焰体积模型的输入,引用、推导并新建了适用于高效预测燃烧室NO_(X)排放的火焰体积模型,运用该模型对某直流燃烧室的NO_(X)排放性能进行了快速预测。验证结果表明,采用火焰体积模型计算的EINO_(X)相对误差最大为8.90%。

基于随机森林算法的对冲锅炉出口NO_(x)排放量预测模型研究

对冲锅炉中的仪器测量具有滞后性,导致控制系统作用始终落后于被控对象。为了提前了解对冲锅炉出口NO;排放量随工况变化的趋势,需要对对冲锅炉出口的NO_(x)排放量进行快速并准确地预测。以实际运行的机组数据为基础,采用随机森林(random forest,RF)算法建立1000 MW对冲锅炉机组的出口NO_(x)排放量预测模型,并使用Spearman系数对对冲锅炉特征进行筛选,进一步降低模型计算时间。结果表明,随机森林模型预测结果的均方根误差为10.182 mg/m^(3),决定系数为0.913,可见基于特征选取的随机森林模型结构能实现对冲锅炉出口NO_(x)趋势的提前预测。

基于蜣螂优化-集成加权融合的NO_(x)浓度动态预测

针对SCR入口NO_(x)浓度单一预测模型无法满足在不同工况下保持预测精度的问题,提出了一种基于蜣螂优化(dung beetle optimizer,DBO)集成模型加权融合的预测SCR入口NO_(x)浓度的动态模型。首先使用CatBoost与LightGBM的混合模型在筛选辅助变量的同时,求取辅助变量的迟延时间和阶次信息,并根据以上信息确定预测模型的输入变量;然后建立由LightGBM,XGBoost与CatBoost组成的集成模型,并使用蜣螂优化算法对预测结果进行加权融合;最后将DBO-集成加权融合动态预测模型与3种单模型和蜣螂算法优化2种模型加权融合的预测模型进行对比。结果证明DBO综合加权融合动态预测模型的评价指标优于其他模型,具有更高的预测精度、实时性和适应性,能够更好地满足不同工况下的NO_(x)浓度预测要求。

可解释的变负荷下燃煤机组SCR反应器入口NO_(x)质量浓度预测模型

燃煤电厂灵活调峰过程NO_(x)测量往往存在滞后现象,导致选择性催化还原(selective satalytic reduction,SCR)脱硝喷氨控制系统响应不及时,易造成喷氨量过高或过低,从而造成SCR反应器出口NO_(x)质量浓度波动剧烈和氨逃逸率增大。为实现喷氨阀门的提前快速调节并考虑影响燃煤锅炉NO_(x)排放量的因素存在耦合性,提出了一种基于卷积神经网络(convolutional neural network,CNN)和长短时记忆(long short-term memory,LSTM)神经网络混合模型的SCR反应器入口NO_(x)预测模型。利用一台330 MW燃煤电站锅炉的运行参数,通过Pearson系数法计算特征变量之间的相关性,筛选出相关性较大的特征,并定义模型的输入矩阵和输出矩阵,采用随机搜索算法进行优化,以提高预测性能。进一步利用SHAP算法对黑箱模型进行解释,并通过Simulink仿真验证了带有NO_(x)预测的控制效果。结果表明:CNN-LSTM预测模型在调峰负荷变化时,能够以较高的精度预测SCR反应器入口NO_(x)质量浓度的变化,并能提前25s为喷氨控制系统提供反馈;优化后的喷氨控制策略降低了出口NO_(x)质量浓度与设定值间的标准差(降低28%),并提升了NH_(3)/NO_(x)的响应速度,减小最大氨逃逸量22%。该研究结果可为灵活调峰机组的智慧SCR脱硝技术及燃烧优化提出有效的指导。

基于CEEMDAN-PCA-BiGRU的NO_(x)排放量预测

NO_(x)排放量预测是优化NO_(x)减排的重要手段。设计了一种采用自适应噪声完全集合经验模态分解(CEEMDAN)与主成分分析(PCA)优化双向门控循环单元(BiGRU)输入的NO_(x)排放量预测模型。针对NO_(x)排放急剧变化和波动大的特点,采用CEEMDAN将出口NO_(x)含量分解为若干本征模态分量,再通过PCA方法对这些分量与其他电厂运行历史数据进行数据降维,最后将降维后的数据输入BiGRU进行训练,得到NO_(x)排放量的预测值。以国内某火电厂的真实数据进行的仿真实验表明,所提出的方法具有较高的预测性能。

基于LSTM神经网络的燃煤锅炉NO_(x)排放量预测方法

基于人工智能算法发展的最新成果,设计一种可以快速收敛并有较高预测精度的长短时记忆(LSTM)神经网络。在大规模数据样本和验证数据集上进行测试,证明该网络具有较强的泛化能力和实用性,可以实现基于预测的NO_(x)排放量测量与调控,为锅炉设计和节能减排提供新思路。

针对SCR入口NO_(x)浓度的EMD-Informer长序列预测综合模型

准确预测选择性催化还原系统(SCR)入口NO_(x)浓度并量化喷氨是提高SCR效率和降低NO_(x)排放的关键。然而,用于测量发电厂NO_(x)浓度的连续排放监测系统(CEMS)存在严重的延迟问题,因此需要进行长序列预测来抵消这种延迟。本文提出了一种综合预测模型,结合了特征选择、数据预处理和深度学习,用于预测300 MW亚临界自然循环汽包锅炉的SCR入口NO_(x)浓度。首先,通过主成分分析法和基于知识的方法筛选特征变量,然后利用经验模态分解(EMD)将原始历史数据分解为一系列分量序列。随后,采用Informer模型对每个分量进行预测,最后将这些预测的分量重构得到NO_(x)浓度的预测。与其他深度学习预测方法相比,该模型在长序列预测任务中表现出色,为精确控制SCR系统提供了一种有前景的方法。

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。

基于粒子群优化的双向门控循环神经网络燃煤电厂NO_(x)排放预测

针对燃煤电厂NO_(x)排放的预测问题,提出了基于粒子群优化算法和双向门控循环(PSO-Bi-GRU)神经网络的NO_(x)排放预测模型。通过主成分分析对影响NO_(x)排放的运行参数进行降维,消除变量间的耦合;基于双向门控循环神经网络学习NO_(x)排放的非线性特性和前后时序信息,提高特征提取能力;采用粒子群算法对Bi-GRU神经网络模型进行超参数寻优,使网络结构最大程度匹配影响NO_(x)排放的变量特征,克服依靠经验选取或手动调节参数而导致预测精度低的问题。最后基于某电厂660 MW机组燃煤锅炉运行参数,建立NO_(x)排放预测模型,并与单向门控循环神经网络、传统Bi-GRU神经网络预测模型进行对比。仿真结果表明,PSO-Bi-GRU神经网络模型预测效果最好,其平均绝对误差、平均绝对百分误差、均方根误差均最小,验证了本文所提PSO-Bi-GRU神经网络NO_(x)排放预测模型的有效性。

基于改进生成对抗网络pix2pix的火电厂NO_(x)排放预测

火电厂燃烧产生NO_(x)会污染大气环境,设计精确高效的NOx实时软测量方案对于节能减排至关重要。该文提出一种基于pix2pix的NO_(x)排放预测模型。采用互信息对影响NOx生成的主要变量进行重要性排序并选择相关特征变量,构建基于pix2pix生成对抗网络模型,通过生成器和判别器的博弈训练优化参数。基于某660MW燃煤机组的运行参数进行仿真验证,并与基于长短期记忆网络、反向传播神经网络和最小二乘支持向量机的典型NO_(x)预测模型进行对比,结果表明所提方法可有效解决数据维度增加带来的预测困难,具有较高的预测精度和较小误差。

基于特征优化和BSO-RBF神经网络的NO_(x)浓度预测模型

针对火力发电厂中燃烧系统运行工况复杂、迟延较大,导致选择性催化还原(SCR)烟气脱硝系统中入口NOx质量浓度难以准确测量的问题,提出了一种基于特征优化和径向基函数(radial basis function,RBF)神经网络的预测模型。将经过特征优化后的变量作为模型的最终输入变量,并使用天牛群优化(beetle swarm optimization,BSO)算法对神经网络超参数进行寻优,建立入口NO_(x)浓度预测模型。结果表明,经过特征优化后的变量放入模型后,其预测结果要优于原始变量:经特征优化及时延处理后的模型其S_(RMSE)减少了44.5%,R^(2)增加了2.3%,经过BSO确定后的神经网络超参数使得模型精度也得到了进一步提升。

基于遗传算法—优化长短期记忆神经网络的柴油机瞬态NO_(x)排放预测模型研究

为实现选择性催化还原系统(selective catalytic reduction,SCR)尿素喷射量的精确控制,构建并评估了一套利用遗传算法(genetic algorithm,GA)优化长短期记忆(long short term memory,LSTM)神经网络的柴油机瞬态NO_(x)排放预测模型。针对柴油机瞬态运行特点,选择柴油机NO_(x)排放的主要影响因素进行相关性分析,确定模型的输入变量;为避免人为选取参数对神经网络预测性能的不良影响,采用遗传算法优化LSTM神经网络的参数,建立预测柴油机瞬态NO_(x)排放的GA-LSTM模型;最后对预测模型进行了性能测试。结果表明,该模型具有较好的预测能力。

基于堆叠自编码器的出口NO_(x)浓度预测研究

本文旨在利用堆叠自编码器(SAE)预测工业排放中的NO_(x)浓度,探索其在环境监测与控制中的应用潜力。研究人员通过筛选关键影响参数,确定对出口NO_(x)浓度影响显著的因素,使用SAE建立了一个有效的出口NOx浓度预测模型,具备较高的预测精度。此外,本文还提出了基于在线学习的模型参数自更新方法,实现了模型的动态调整以及适应性优化。对模型自适应更新效果进行分析,验证了其在不断变化的环境条件下的有效性。本文不仅为环境管理决策提供了科学依据,还在工业生产过程中提供了一种新的智能化预测方法,具有重要的理论及实际价值。