基于LSTM-SAFCN模型的生物质锅炉NOx排放浓度预测

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

所属期刊栏目：34

分类号：TP391.41;TP183;TP751

资助基金：浙江省重点研发计划资助项目2021C03164

在线出版日期：2024-02-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：92-100