基于LSTM的燃煤锅炉NOx排放预测研究

摘要：

采用传统机器学习算法对电站锅炉建模时会有数据特征选择要求和稳态提取要求,为解决这一问题,采用一种长短时记忆(LSTM)递归神经网络对电站锅炉的NOx排放进行了预测建模研究.模型训练和测试的数据为机组7天左右的历史运行数据,共10000条,54个维度.结果表明,LSTM具有优秀的预测能力和泛化能力:对于训练集数据,所有样本的相对误差均小于5％,烟道A、B两侧NOx浓度预测的平均相对误差分别为0.43％和0.44％;对于测试集数据,分别有97.49％和97.22％的样本相对误差小于10％,平均相对误差分别为2.08％和2.51％.同时,研究发现,相对于传统机器学习算法,LSTM对于机组变工况过度状态也有很好的预测能力.

关键词：递归神经网络、长短时记忆(LSTM)、NOx排放、燃烧优化、电站锅炉

在线出版日期：2019-03-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共2页

页码：21-22