基于LSTM的燃煤電廠NOx排量軟測量

潘紅光　裴嘉寶　蘇濤　辛芳芳

摘要：燃煤電廠煤粉在燃燒過程中產(chǎn)生的有害氣體會對大氣環(huán)境造成污染，NO_x為其中之一。針對燃煤電廠生產(chǎn)過程中NOx排放量測量成本高、過程復(fù)雜等問題，考慮到機組運行數(shù)據(jù)具有的時間序列特征，提出一種基于長短期記憶神經(jīng)網(wǎng)絡(luò)的軟測量方法對NOx排放量進行預(yù)測。在分析NO_x產(chǎn)生機理的基礎(chǔ)上，利用來自陜西省榆林市某電廠2019年1月至6月的實際生產(chǎn)數(shù)據(jù)，初步選取與NO_x排放量緊密相關(guān)的20個輔助變量;將數(shù)據(jù)進行預(yù)處理以消除粗大誤差和隨機誤差，并利用灰色關(guān)聯(lián)度分析進一步精選出15個輔助變量;將實際生產(chǎn)數(shù)據(jù)劃分訓(xùn)練集和測試及對LSTM模型進行訓(xùn)練和測試，并將LSTM模型與BP神經(jīng)網(wǎng)絡(luò)模型和支持向量機模型的軟測量結(jié)果比較。結(jié)果表明：基于LSTM的測量方法均方誤差較基于BP神經(jīng)網(wǎng)絡(luò)與SVM的方法均有減小，說明該方法測量準(zhǔn)確度較高，泛化能力更強。

關(guān)鍵詞：NOx排放量;軟測量;長短期記憶網(wǎng)絡(luò);輔助變量;時間序列

中圖分類號：TP 29文獻(xiàn)標(biāo)志碼：A

文章編號：1672-9315（2022）02-0362-09

DOI：10.13800/j.cnki.xakjdxxb.2022.0222開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

LSTM-based soft sensor of NOx emissions

from coal-fired power plantsPAN Hongguang，PEI Jiabao，SU Tao，XIN Fangfang

（College of Electrical and Control Engineering，Xian University of Science and Technology，Xian 710054，China）

Abstract：The harmful gases produced by the burning process of pulverized coal in the coal-fired power plants will pollute the atmospheric environment，one of which is the NOx.With respect to the high cost，complex process and other problems of NO_xemission measurement during the production process of coal-fired power plants，considering the characteristics of time sequence of generating set operation data，a soft measurement method based on the Long Short-Term Memory neural network has been proposed to predict the NO_x emissions.To be specific，first of all，by analyzing the producing mechanism of NO_x，the 20 auxiliary variables closely related to NO_xemissions are preliminarily selected based on the actual production data from January to June 2019 at? a power plant in Yulin city，Shaanxi Province.Secondly，the data are preprocessed to eliminate the gross error and random error，and the 15 auxiliary variables are further selected by using the analysis of grey correlation degree.Finally，the actual production data are divided into the training sets and tests，and the LSTM models are trained and tested，and then the soft measurement results of the LSTM model，Back Propagation neural network model and Support Vector Machine model are compared.The results show that all the Mean Square Errors of measurement methods based on the LSTM are smaller than that of measurement methods based on the BP neural network and SVM，indicating that this method has? higher measurement accuracy and stronger generalization ability.

Key words：NOx emissions;soft-sensing;long short-term memory;auxiliary variables;time series

0引言

火力發(fā)電以煤電為主，燃煤電廠煤粉在燃燒過程中產(chǎn)生的有害氣體會對大氣環(huán)境造成污染。目前，燃煤電廠主要通過SCR（selective catalytic reduction，SCR）脫硝系統(tǒng)降低NOx排放量[1]，鍋爐燃燒工藝流程如圖1所示。為有效應(yīng)對NO_x的排放，對其進行實時測量至關(guān)重要。NO_x的排放量一般通過建立湍流模型[2]、氣固流動模型[3]等方式進行測量。目前，NO_x排放量一般采用硬件傳感器或者分析儀，利用連續(xù)排放監(jiān)測系統(tǒng)（continuous emissions monitoring system，CEMS）進行實時測量。然而，CEMS在線測量NO_x排放量時，投資成本過高、計算速度慢、測量存在滯后性等缺點，難以滿足煙氣出口NO_x排放量迅速、穩(wěn)定的監(jiān)測要求。對于復(fù)雜工業(yè)環(huán)境而言，在具體生產(chǎn)過程中受設(shè)備和技術(shù)因素的影響，往往導(dǎo)致有些關(guān)鍵變量測量誤差較大甚至難以測量。除此之外，某些設(shè)備測量的結(jié)果時間上存在滯后性無法實時指導(dǎo)生產(chǎn)活動，這就很難對生產(chǎn)活動進行實時控制。軟測量技術(shù)的發(fā)展正是為了解決這類質(zhì)量指標(biāo)的實時測量和控制問題。

軟測量技術(shù)主要依據(jù)工業(yè)生產(chǎn)過程中可測的輔助變量來實時估計待測的目標(biāo)變量 [4]。軟測量技術(shù)的基本過程如下：首先，通過對目標(biāo)變量的分析，選擇與目標(biāo)變量密切相關(guān)的易測量;其次，通過數(shù)據(jù)采集和預(yù)處理，確定數(shù)據(jù)的有效性后建模;最后，對模型進行分析確定其是否滿足實際生產(chǎn)需求。大量的文獻(xiàn)表明，軟測量技術(shù)具有實際運用價值。GONZAGA等采用基于人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）的軟測量方法對一個聚合過程的聚合物粘度進行估計，并將此估計結(jié)果成功應(yīng)用于伺服和調(diào)節(jié)問題，并使得工業(yè)裝置有效運行[5]。LI等提出一種利用靈敏度矩陣分析和核脊回歸（kernel ridge regression，KRR）實現(xiàn)蒸餾成分在線軟測量的組合軟測量傳感器，并在模擬精餾塔上的應(yīng)用表明該方法的有效性[6]。毛清華等針對采煤機機截割載荷難以直接測量的問題，采用基于ELM神經(jīng)網(wǎng)絡(luò)的軟測量方法建立采煤機機截割載荷軟測量模型，結(jié)果表明軟測量建模方法能夠?qū)崿F(xiàn)采煤機機截割載荷預(yù)測[7]。由以上文獻(xiàn)研究和分析可知，軟測量技術(shù)在不同領(lǐng)域的實際應(yīng)用中，都取得相應(yīng)的成果，充分體現(xiàn)它自身所具有的優(yōu)勢。

考慮到電站鍋爐具有大慣性、大滯后、時變和不確定性的特點，且各參數(shù)之間相互耦合，各個過程難以使用準(zhǔn)確的數(shù)學(xué)模型來表征;同時，機組運行過程積累了大量數(shù)據(jù)，因此研究基于數(shù)據(jù)驅(qū)動的建模方法有望獲得有效的NOx排放量測量模型。近年來，研究人員提出很多方法用于分析鍋爐能效問題。例如MA等利用徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)建立1 000 MW超超臨界機組模型來測量機組負(fù)荷、主蒸汽壓力和中間點溫度，獲得很好的效果，具有很強的實際工程意義[8]。GU等提出一種自適應(yīng)最小二乘支持向量機（adaptive least squares support vector machine，ALS-SVM）算法，對鍋爐燃燒系統(tǒng)建模，結(jié)果表明該模型能夠很好反映鍋爐燃燒系統(tǒng)的時變特性[9]。李競岌等利用小型鼓泡流化床實驗臺比擬循環(huán)流化床（circulating fluidized bed，CFB）鍋爐密相區(qū)，在850 ℃床溫和10%O₂濃度下，進行單顆粒焦炭的燃燒實驗，對不同床料粒度、制焦煤種、焦炭粒徑和流化風(fēng)速條件下焦炭氮向NO_x的轉(zhuǎn)化比例進行研究[10]。王科等在鍋爐原始燃燒系統(tǒng)的基礎(chǔ)上調(diào)整二次風(fēng)配比并且引入燃盡風(fēng)（separated over-fire air，SOFA），通過數(shù)值模擬的方法評估新型燃燒系統(tǒng)在不同SOFA風(fēng)率和不同SOFA位置時的整體燃燒性能，結(jié)果表明SOFA參數(shù)對NO_x排放和飛灰含碳量有影響[11]。這些文獻(xiàn)從不同方面分析鍋爐能效問題，說明研究基于數(shù)據(jù)驅(qū)動的NO_x排放量測量的建模方法具有實際意義。

鍋爐NO_x排放量在數(shù)據(jù)上是一個非線性的時間序列，信息彼此間有著復(fù)雜的時間關(guān)聯(lián)性。目前，廣受關(guān)注的諸多深度學(xué)習(xí)方法，是一種能夠模擬出人腦的神經(jīng)結(jié)構(gòu)的機器學(xué)習(xí)方法，可以有效處理此處的非線性問題[12]。BP神經(jīng)網(wǎng)絡(luò)和長短期記憶（long short term memory，LSTM）網(wǎng)絡(luò)就是其中的一部分。BP神經(jīng)網(wǎng)絡(luò)是一種經(jīng)典算法，它是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)。ZHOU等提出一種基于BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)卡爾曼濾波算法，分析吸煙者和非吸煙者呼出CO和N₂O的濃度[13]。TAO等提出一個結(jié)合BP神經(jīng)網(wǎng)絡(luò)和地質(zhì)統(tǒng)計學(xué)來描述污染場地的土壤污染物情況的模型[14]。但BP神經(jīng)網(wǎng)絡(luò)泛化性較差，而LSTM神經(jīng)網(wǎng)絡(luò)考慮數(shù)據(jù)的時間特性，在時間序列預(yù)測方面有更好的表現(xiàn)[15]。MA等研究LSTM神經(jīng)網(wǎng)絡(luò)的架構(gòu)，與動態(tài)神經(jīng)網(wǎng)絡(luò)的不同拓?fù)湟约癝VM等其他算法比較，表明LSTM在準(zhǔn)確性和穩(wěn)定性方面可以實現(xiàn)最佳短期交通預(yù)測性能[16]。由以上文獻(xiàn)可知，LSTM對時序性數(shù)據(jù)處理效果較好。

綜上所述，基于LSTM網(wǎng)絡(luò)能夠?qū)W習(xí)到數(shù)據(jù)間的長期依賴性[17-18]，同時針對鍋爐NOx濃度時間序列預(yù)測這一問題，筆者提出一種基于LSTM神經(jīng)網(wǎng)絡(luò)的軟測量方法對NOx排放量進行實時測量。首先，對NOx產(chǎn)生機理分析，并在實際生產(chǎn)數(shù)據(jù)集上初步選取與NOx排放量緊密相關(guān)的20個輔助變量;其次，在數(shù)據(jù)預(yù)處理后，利用灰色關(guān)聯(lián)度分析精選出15個輔助變量;最后，通過訓(xùn)練集和測試集對LSTM模型進行訓(xùn)練和測試，并將LSTM模型與BP神經(jīng)網(wǎng)絡(luò)模型和SVM模型的軟測量結(jié)果比較發(fā)現(xiàn)，LSTM模型的預(yù)測準(zhǔn)確度更高，泛化能力更強。

1LSTM神經(jīng)網(wǎng)絡(luò)

1997年，HOCHREITER等提出LSTM神經(jīng)網(wǎng)絡(luò)，目的是解決循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）梯度消失問題[19]。

RNN結(jié)構(gòu)如圖2所示，圖中，D_i（i=0，1，…，t）為時間i的輸入;u_i（i=0，1，…，n）為輸出;中間部分E是隱藏層的信息流。但是，隨著時間序列的不斷增長，RNN將出現(xiàn)梯度消失問題，而LSTM神經(jīng)網(wǎng)絡(luò)的提出，成功解決此類問題。

LSTM神經(jīng)網(wǎng)絡(luò)是一種特殊的RNN，可有效解決傳統(tǒng)RNN梯度消失或梯度爆炸現(xiàn)象[20-21]。LSTM將每一層神經(jīng)元加入了“門控”結(jié)構(gòu)，使得部分誤差在傳播過程中可以直接通過“門”，而不用歸因于當(dāng)前神經(jīng)元。因此，誤差可以直接傳播到下一層，梯度無論傳播多遠(yuǎn)都不會出現(xiàn)梯度消失問題。在RNN隱藏層中，LSTM加入輸入門（Input Gate），輸出門（Output Gate），遺忘門（Forget Gate）和一個內(nèi)部單元（Cell），如圖3所示。

輸入門控制著新的輸入信息進入記憶單元的強度，即決定著多少新記憶和老記憶進行合并。

2NO_x排量軟測量

2.1數(shù)據(jù)采集與輔助變量初選

實驗數(shù)據(jù)來自陜西省榆林某電廠實際生產(chǎn)數(shù)據(jù)，數(shù)據(jù)內(nèi)容為實測樣本，數(shù)據(jù)采集點是2019年1月1日 00∶00至6月9日2∶00，采樣間隔為1 h，共3 800個采樣點數(shù)據(jù)。

通常燃煤電廠鍋爐燃燒產(chǎn)生的NO_x主要分為3大類，分別為燃料型NO_x、熱力型NO_x與快速型NO_x。燃料型NO_x在3種污染物中比例最大，它是煤質(zhì)的直接燃燒產(chǎn)生的污染物;熱力型NO_x在3種污染物中比例較小，它是送風(fēng)機送入的氮元素在鍋爐中被氧化產(chǎn)生的污染物;快速型NO_x在3種污染物中比例最小，它是煤質(zhì)中的碳元素與空氣中的氮元素發(fā)生瞬時反應(yīng)產(chǎn)生的污染物。通過對NO_x生成原因分析，初步選取總給煤量、鍋爐總風(fēng)量、爐膛出口溫度等3 800×20組變量（見表1變量1～20），其中脫硝出口NO_x排放量為目標(biāo)變量。

其中，NO_x國家的排放標(biāo)準(zhǔn)主要依據(jù)國家2014年發(fā)布的并且要求2016年7月開始執(zhí)行的國家鍋爐大氣污染物排放標(biāo)準(zhǔn)，具體為：

1）燃?xì)忮仩t：在用鍋爐 400 mg/L、新建燃?xì)忮仩t 200 mg/L、重點地區(qū) 150 mg/L;

2）燃煤鍋爐：在用鍋爐 400 mg/L、新建燃?xì)忮仩t 300 mg/L、重點地區(qū) 200 mg/L;

3）燃油鍋爐：在用鍋爐 400 mg/L、新建燃?xì)忮仩t 250 mg/L、重點地區(qū) 150 mg/L。

2.2數(shù)據(jù)預(yù)處理

考慮到工業(yè)環(huán)境復(fù)雜性，前述實測數(shù)據(jù)使用前需預(yù)處理。數(shù)據(jù)預(yù)處理包括隨機誤差、粗大誤差的處理及數(shù)據(jù)變換。粗大誤差一般由于傳感器失靈、設(shè)備異常等造成，一般情況下，粗大誤差出現(xiàn)概率較低，一旦出現(xiàn)會嚴(yán)重影響數(shù)據(jù)質(zhì)量。隨機誤差主要由于測量信號的干擾及操作過程的隨機波動成。

2.2.1粗大誤差處理

2.2.2隨機誤差處理

2.2.3歸一化與反歸一化處理

2.3輔助變量精選

輔助變量精選可將數(shù)據(jù)維數(shù)控制在恰當(dāng)范圍內(nèi);輔助變量太多會影響模型靈活性和時效性;反之，又難以充分輸入?yún)?shù)的特征信息，影響模型適用性和準(zhǔn)確性?？紤]到表1中變量1～20之間具有不同程度關(guān)聯(lián)，因此，采用灰色關(guān)聯(lián)度分析法量化變量間的關(guān)聯(lián)度，以精選輔助變量?；疑P(guān)聯(lián)分析法主要依據(jù)序列曲線幾何形狀的相似程度來判斷其聯(lián)系是否緊密：曲線越接近，相應(yīng)序列間的關(guān)聯(lián)度越大;反之，越小。

采用灰色關(guān)聯(lián)度獲得各輔助變量關(guān)聯(lián)度，見表1。設(shè)定關(guān)聯(lián)度閾值為0.90[23-24]。據(jù)此閾值，精選2號給煤機密封風(fēng)調(diào)門反饋、1號機組煙囪入口煙氣O₂濃度、左側(cè)爐膛出口溫度、右側(cè)爐膛出口溫度等關(guān)聯(lián)度大于 0.90的15個輔助變量。因此，最終有效數(shù)據(jù)規(guī)模為3 800×15。

2.4軟測量建模

軟測量技術(shù)的主要思想是：采用便于測量的變量來實時估計待測的目標(biāo)變量。采用2號給煤機密封風(fēng)調(diào)門反饋、1號機組煙囪入口煙氣O₂濃度等15個輔助變量，利用LSTM算法進行軟測量建模估計目標(biāo)變量脫硝出口NO_x排放量，具體過程如下。

1）根據(jù)燃煤電廠的理論和技術(shù)收集脫硝出口NO_x排放量和相關(guān)數(shù)據(jù)，并構(gòu)建數(shù)據(jù)集。

2）使用（11）消除粗大誤差，使用（12）消除隨機誤差，并使用（13）～（14）標(biāo)準(zhǔn)化數(shù)據(jù)。

3）運用灰色關(guān)聯(lián)度對數(shù)據(jù)進行降維處理，以實現(xiàn)輔助變量的精選，并將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。

4）建立深度學(xué)習(xí)模型并初始化LSTM神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)。

5）訓(xùn)練：在正向傳播中，使用（1）～（9）獲得預(yù)測輸出;在反向傳播中，使用梯度下降法來計算每個權(quán)重的梯度。之后經(jīng)過迭代和修改權(quán)重，使損失函數(shù)最小化，并輸出最優(yōu)模型。

6）測試：公式（10）用于計算測試集的評估指數(shù)。

7）如果精度符合要求，則輸出最終的LSTM神經(jīng)網(wǎng)絡(luò)模型。否則，返回步驟 4）調(diào)試LSTM神經(jīng)網(wǎng)絡(luò)參數(shù)。

3仿真實驗

實驗中軟件環(huán)境為：Python的框架——PyTorch 0.3.1，Python編輯環(huán)境為PyCharm，操作系統(tǒng)為Win7（64位）;硬件配置為：內(nèi)存DDRIII 12G（8G+4G），CPU為 AMD A4-Series A4-5000。

3.1場景及參數(shù)設(shè)計

一般來說，數(shù)據(jù)規(guī)模會對數(shù)據(jù)驅(qū)動方法的結(jié)果產(chǎn)生較大影響[25]。考慮到很多場景下大規(guī)模數(shù)據(jù)獲取存在困難，在仿真部分對小數(shù)據(jù)量（場景 1）和大數(shù)據(jù)量（場景2）分別進行仿真[26-27]。為便于比較，測試集數(shù)據(jù)均選為240組（2019年5月 30日 2∶00至6月9日2∶00）。場景1訓(xùn)練集為480組（2019年5月10日1∶00至5月30日1∶00）;場景2訓(xùn)練集為3 560組（除去240組測試數(shù)據(jù)后的剩余數(shù)據(jù)）。

與此同時，為比較文中所提方法的有效性，此部分還對基于BP神經(jīng)網(wǎng)絡(luò)和SVM的2種方法進行仿真，并分別作了比較。根據(jù)上文選定的模型結(jié)構(gòu)，基于LSTM神經(jīng)網(wǎng)絡(luò)的軟測量模型參數(shù)見表2。BP神經(jīng)網(wǎng)絡(luò)具體建模方法可參考[26]，具體參數(shù)見表2。對于SVM建模方法可參考[9]，其主要參數(shù)為最佳懲罰系數(shù)μ和徑向基函數(shù)的寬度ψ，其中，場景1下訓(xùn)練后的參數(shù)ψ=11.313 7，ψ=0022 1，場景2下訓(xùn)練后的參數(shù)μ=2.828 4，ψ=0.250 0。

3.2場景1仿真結(jié)果

圖4展示LSTM訓(xùn)練過程的均方誤差（MSE）與迭代次數(shù)的關(guān)系：隨著迭代次數(shù)的增加，訓(xùn)練誤差逐漸縮小。這一規(guī)律在場景1（紅色實心圓）和場景2（藍(lán)色實心圓）中基本一致;只是在場景2（大數(shù)據(jù)量）下，均方誤差下降速度更快。說明對于LSTM神經(jīng)網(wǎng)絡(luò)模型而言，訓(xùn)練集規(guī)模越大，訓(xùn)練速度越快。

圖5～7給出場景1下3種方法的預(yù)測結(jié)果。整體來看，此種場景下基于SVM模型的預(yù)測精度最優(yōu)。為進一步量化各方法的預(yù)測效果，表3分別從均方誤差（MSE）、均方相關(guān)系數(shù)（r²）兩方面對預(yù)測效果進行展示。其中，MSE反應(yīng)的是預(yù)測值與真實值的偏離程度，MSE越小，說明模型精確度越高;r²反應(yīng)2個變量變化時的相似程度，該系數(shù)越高表示預(yù)測值與真實值越接近;二者相互結(jié)合，綜合反應(yīng)模型的優(yōu)劣。

據(jù)表3，場景1下SVM的MSE比BP和LSTM分別低0.000 3和0.002 0;SVM的r²比BP和LSTM分別高0.014 0和0.026 8。也即，基于SVM的模型2項指標(biāo)均優(yōu)于其他2種模型。該結(jié)果說明，基于SVM的模型在小數(shù)據(jù)量的情況下其泛化能力更強，預(yù)測結(jié)果更好，適用于小數(shù)據(jù)量場景[9]。

3.3場景2仿真結(jié)果

圖8～10給出3種方法在場景2下的預(yù)測結(jié)果。從整體看，場景2下基于LSTM模型的預(yù)測精度最優(yōu)。由表3可知，場景2下LSTM的MSE比BP和SVM分別低0.000 2和 0.000 5;LSTM的r²比BP和SVM分別高0.020 6和0.065 9。即，基于LSTM的模型2項指標(biāo)均優(yōu)于其他2種模型。該結(jié)果說明，基于LSTM的模型在大數(shù)據(jù)量情況下泛化能力更強，預(yù)測結(jié)果更好，適用于大數(shù)據(jù)量場景[9]。

結(jié)合表3及圖5～圖10，可以得出如下結(jié)論：在大數(shù)據(jù)量的基礎(chǔ)上，基于LSTM的模型較基于BP和SVM的模型能夠?qū)W習(xí)到數(shù)據(jù)間的長期依賴性，同時對時間序列有強化記憶能力的特點[27];其具體原因在于，LSTM加入“門控”結(jié)構(gòu)替換原RNN網(wǎng)絡(luò)結(jié)構(gòu)中的隱含層細(xì)胞，通過“門控”結(jié)構(gòu)將長期記憶與短時記憶結(jié)合，使得部分信息在傳遞過程中可以直接通過“門”，而直接越過當(dāng)前神經(jīng)元，可以有效地處理長期依賴的動態(tài)相關(guān)問題，在一定程度上彌補RNN網(wǎng)絡(luò)“梯度消失”的問題;LSTM特殊的“門控”結(jié)構(gòu)，使其在處理時序問題上的性能優(yōu)于RNN網(wǎng)絡(luò)。同時表明，在當(dāng)前數(shù)字化日益普及、大量數(shù)據(jù)存在的情況，基于LSTM模型的NO_x排放量等方面的預(yù)測完全可行。所提方法在降低企業(yè)測量儀表投入、減少維護成本等方面具有很好的效果。

4結(jié)論

1）針對燃煤電廠NO_x濃度排放量的測量這一復(fù)雜的非線性動態(tài)系統(tǒng)，提出基于LSTM的NO_x排放量軟測量方法，該方法主要是分析與NO_x排放量緊密相關(guān)的變量，通過構(gòu)建NO_x排放量軟測量模型實現(xiàn)NO_x排放量的預(yù)測。

2）LSTM特殊的“門控”機制，使得LSTM在處理時序問題上更具優(yōu)勢;燃煤電廠在生產(chǎn)過程中的歷史數(shù)據(jù)的關(guān)聯(lián)性及時序特征;基于LSTM的NOx排放量軟測量主要是結(jié)合LSTM的優(yōu)勢以及燃煤電廠生產(chǎn)過程歷史數(shù)據(jù)的特性來實現(xiàn)NO_x排放量的預(yù)測。

3）基于LSTM的NO_x排放量軟測量主要選擇均方誤差和均方相關(guān)系數(shù)作為評價模型預(yù)測性能的標(biāo)準(zhǔn)。從仿真實驗結(jié)果來看，LSTM神經(jīng)網(wǎng)絡(luò)的軟測量方法預(yù)測結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和SVM模型。

4）該方法在NO_x排放量的預(yù)測方面效果不錯，但是存在一定的不足，比如在小數(shù)據(jù)量的情況下，預(yù)測性能會有所下降，后續(xù)研究需要根據(jù)不同的應(yīng)用場景、數(shù)據(jù)集的不同、領(lǐng)域的不同構(gòu)建出符合數(shù)據(jù)標(biāo)準(zhǔn)的模型。

參考文獻(xiàn)（References）：

[1]馮前偉，張楊，王豐吉，等.現(xiàn)役燃煤機組SCR煙氣脫硝裝置運行現(xiàn)狀分析[J].中國電力，2017，50（4）：157-161.FENG Qianwei，ZHANG Yang，WANG Fengji，et al.Analysis on operating status of SCR facilities in active coal-fired units[J].Electric Power，2017，50（4）：157-161.

[2]ZHOU L，QIAO L，CHEN X，et.al.A USM turbulence-chemistry model for simulating NOxformation in turbulent combustion[J].Fuel，2002，81（13）：1703-1709.

[3]TENNETI S，SUBRAMANIAM S.Particle-resolved direct numerical simulation for gassolid flow model development[J].Annual Review of Fluid Mechanics，2014，46（1）：199-230.

[4]KADLEC P，GABRYS B，STRANDT S.Data-driven soft sensors in the process industry[J].Computers & Chemical Engineering，2009，33（4）：795-814.

[5]GONZAGA J，MELEIRO L，KIANG C，et al.ANN-based soft-sensor for real-time process monitoring and control of an industrial polymerization process[J].Computers & Chemical Engineering，2009，33（1）：43-49.

[6]LI Q，SHAO C.Soft sensing modelling based on optimal selection of secondary variables and its application[J].International Journal of Automation and Computing，2009，6（4）：379-384.

[7]毛清華，趙健博，李亞周，等.基于ELM神經(jīng)網(wǎng)絡(luò)的采煤機截割載荷軟測量建模方法[J].西安科技大學(xué)學(xué)報，2020，40（5）：769-774.MAO Qinghua，ZHAO Jianbo，Ll Yazhou，et al.Soft sensor modeling method of shearer cutting load based on ElM neural network[J].Jourmal of Xi an University of Science and? Technology，2020，40（5）：769-774.

[8]MA Y，YE Z.A 12-input-3-output RBF neural network model of load and main steam pressure characteristics for ultra-supercritical unit[J].Applied Mechanics and Materials，2014，529：748-752.

[9]GU Y，ZHAO W，WU Z.Online adaptive least squares support vector machine and its application in utility boiler combustion optimization systems[J].Journal of Process Control，2011，21（7）：1040-1048.

[10]李競岌，楊欣華，楊海瑞，等.鼓泡床焦炭型氮氧化物生成的試驗與模型研究[J].煤炭學(xué)報，2016，41（6）：1546-1553.LI Jingji，YANG Xinhua，YANG Hairui，et al.Experimental study and modeling of NOxgeneration from char nitrogen in the bubbling bed[J].Journal of China Coal Society，2016，41（6）：1546-1553.

[11]王科，王賁，于潔，等.SOFA參數(shù)對W鍋爐燃燒及NOx排放影響的數(shù)值模擬[J].煤炭學(xué)報，2018，43（3）：839-845.WANG Ke，WANG Ben，YU Jie，et al.Influence of separated overfire-air parameters on combustion and NOxemission characteristics for a babcock & wilcox（B & W）down-fired boiler[J].Journal of China Coal Society，2018，43（3）：839-845.

[12]LECUN Y，BENGIO Y，HINTON G.Deep learning[J].Nature，2015，521（7553）：436-444.

[13]ZHOU S，LIU N，SHEN C，et al.An adaptive Kalman filtering algorithm based on back-propagation（BP）neural network applied for simultaneously detection of exhaled CO and N2O[J].Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2019，223：117332.

[14]TAO H，LIAO X，ZHAO D，et al.Delineation of soil contaminant plumes at a co-contaminated site using BP neural networks and geostatistics[J].Geoderma，2019，354：113878.

[15]VAN H G，MOSQUERA C，N?POLES G.A review on the long short-term memory model[J].Artificial Intelligence Review，2020，53（8）：5929-5955.

[16]MA X，TAO Z，WANG Y，et al.Long short-term memory neural network for traffic speed prediction using remote microwave sensor data[J].Transportation Research Part C，2015，54：187-197.

[17]YU Y，SI X，HU C，et al.A review of recurrent neural networks：LSTM cells and network architectures[J].Neural Computation，2019，31（7）：1235-1270.

[18]MULLER A T，HISS J A，SCHNEIDER G.Recurrent neural network model for constructive peptide design[J].Journal of Chemical Information and Modeling，2018，58（2）：472-479.

[19]HOCHREITER S，SCHMIDHUBER J.Long short-term memory[J].Neural Computation，1997，9（8）：1735-1780.

[20]GREFF K，SRIVASTAVA R K，KOUTN?K J，et al.LSTM：a search space odyssey[J].IEEE Transactions on Neural Networks and Learning Systems，2016，28（10）：2222-2232.

[21]GERS F A，SCHMIDHUBER J，CUMMINS F.Learning to forget：continual prediction with LSTM[J].Neural Computation，2000，12（10）：2451-2471.

[22]SHEN C，BAO X，TAN J，et al.Two noise-robust axial scanning multiimage phase retrieval algorithms based on Pauta criterion and smoothness constraint[J].Optics Express，2017，25（14）：16235-16249.

[23]賀亞維，張榮軍，郭永宏.延川地區(qū)儲層特征及綜合評價[J].西安科技大學(xué)學(xué)報，2019，39（5）：811-818.HE Yawei，ZHANG Rongjun，GUO Yonghong.Ceological characteristics and comprehensive evaluation of reservoir in Yanchuan Area[J].Joumal of Xian University of Science and Technology，2019，39（5）：811-818.

[24]劉思峰，蔡華，楊英杰，等.灰色關(guān)聯(lián)分析模型研究進展[J].系統(tǒng)工程理論與實踐，2013，33（8）：2041-2046.LIU Sifeng，CAI Hua，YANG Yingjie，et al.Advance in grey incidence analysis modelling[J].System Engineering Theory and Practice，2013，33（8）：2041-2046.

[25]趙毅鑫，楊志良，馬斌杰，等.基于深度學(xué)習(xí)的大采高工作面礦壓預(yù)測分析及模型泛化[J].煤炭學(xué)報，2020，45（1）：54-65.ZHAO Yixin，YANG Zhiliang，MA Binjie，et al.Deep learning prediction and model generalization of ground pressure for deep longwall face with large mining height[J].Journal of China Coal Society，2020，45（1）：54-65.

[26]HU P，LIU C.Soft-sensing of NOxcontent in power Station based on BP neural network，RBF neural network and PCA-RBF neural network[C]//IOP Conference Series：Materials Science and Engineering.IOP Publishing，2018，392（6）：062180.

[27]李偉山，王琳，衛(wèi)晨.LSTM在煤礦瓦斯預(yù)測預(yù)警系統(tǒng)中的應(yīng)用與設(shè)計[J].西安科技大學(xué)學(xué)報，2018，38（6）：1027-1035.LI Weishan，WANG Lin，WEI Chen.Application and design of LSTM in coal mine gas prediction and warning system[J].Journal of Xian University of Science and Technology，2018，38（6）：1027-1035.