基于MIC-CFS-LSTM的SCR出口NOx浓度动态预测
吴康洛1
黄俊2
李峥辉3
阮斌2
罗圣2
卢志民1
姚顺春1
1.华南理工大学 电力学院,广东 广州 5106402.广州珠江电力有限公司,广东 广州 5114573.华南理工大学 自动化科学与工程学院,广东 广州 510640
摘要：针对燃煤机组选择性催化还原(SCR)系统出口氮氧化物(NOx)预测模型精度不高的问题,提出一种基于最大信息系数(MIC)和长短期记忆(LSTM)神经网络的预测模型方法.首先采用MIC估计各变量的延迟时间,对数据进行时延重构;然后采用重构后数据的MIC值作为评价各输入变量和输出变量间相关性大小的指标,并结合基于关联性的特征选择算法(CFS)进行输入变量筛选;最后基于时延重构和变量筛选后的数据,采用LSTM神经网络建立了SCR出口氮氧化物浓度动态预测模型.该模型被用于广东某320 MW燃煤机组实际运行数据分析.结果表明,经时延重构和变量筛选后所建立的LSTM预测模型具有较高精度,优于深度神经网络(DNN)模型和径向基函数(RBF)神经网络模型,平均绝对百分比误差达2.58%,均方根误差达2.02,可满足现场运用要求.
关键词：SCRNOx浓度预测时延分析变量选择最大信息系数长短期记忆神经网络
分类号：TM621(发电、发电厂)TK39(热工量测和热工自动控制)
资助基金：国家重点研发计划(2019YFE0109700)广东省自然科学基金杰出青年基金资助项目(2021B1515020071)广东省省级科技计划资助项目(2020A0505140001)佛山市科技创新资助项目(1920001000052)中央高校基本科研业务费资助项目(x2dlD2201230)
论文发表日期：2023-06-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 142-150 )
英文信息