洁净煤技术

作者：吴康洛, 黄俊, 李峥辉, 阮斌, 罗圣, 卢志民, 姚顺春

关键词：SCR,NOx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

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。

来源：2023年第06期

《洁净煤技术》期刊编辑部

查看洁净煤技术杂志2023年第06期