基于LSTM-SAFCN模型的生物质锅炉NO_(x)排放浓度预测.pdf

高技术通讯2024年第34卷第1期:92-100

doi:10.3772/j.issn.1002-0470.2024.01.010

基于LSTM-SAFCN模型的生物质锅炉NOx排放浓度预测①

②∗∗∗③∗∗∗

何德峰刘明裕孙芷菲王秀丽李廉明

∗

(浙江工业大学信息工程学院杭州310023)

∗∗

(嘉兴新嘉爱斯热电有限公司嘉兴314016)

摘要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NOx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NOx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。

关键词生物质锅炉;NOx排放浓度预测;经验模态分解;长短时记忆-全卷积神经网络

(LSTM-FCN);自注意力机制

构建清洁低碳、安全高效的能源体系是我国实的方法在预测领域逐渐流行,特别是,人工神经网络

现碳中和目标的关键举措。与化石能源相比,使用(artificialneuralnetwork,ANN)作为一种通用函数

[1-2][13-14]

生物质燃烧发电是一种更经济环保的选择。生逼近器已率先用来预测NOx排放浓度。例如,

[15]

物质能的燃烧过程是一个碳闭环过程,生物质通过周昊等人利用ANN预测大容量煤粉锅炉中的

[16]

光合作用吸收的CO能够中和生物质燃烧产生的NOx排放浓度;谷景丽等人应用ANN模型实现

2

CO,从而很好地实现碳中和。然而,生物质燃烧过了NOx浓度等参数的软测量。然而,ANN只能建立

2

程产生的烟气仍包含大量其他污染物,其中氮氧化从输入到输出的静态映射,不能很好地提取时间序

[3-4]

物(NOx)是占比最大的一种污染物,过量的NOx列数据的动态特征。

排放会导致酸雨、光化学烟雾、臭氧层破坏和温室效受不同工况影响,生物质锅炉燃烧过程具有较

[5-8]

应等严重的环境问题。因此,准确预测NOx排强的动态特性,循环神经网络(recurrentneuralnet-

放浓度是实现生物质锅炉燃烧过程有效监