基于BWOA-GAM-BiGRU的火電廠SCR系統(tǒng)出口NOx排放預(yù)測

馬永光，郭浩宇

（華北電力大學(xué) 自動(dòng)化系，河北 保定 071003）

0 引言

燃煤電廠是氮氧化物（NOx）等大氣污染物的重要排放源之一。在燃煤電廠生產(chǎn)過程中，目前廣泛使用選擇性催化還原（Selective catalytic reduction，SCR）方法來降低 NOx的排放。SCR反應(yīng)過程具有大延遲、大慣性、非線性特點(diǎn)，且NOx濃度測量設(shè)備也存在一定的時(shí)間延遲；這導(dǎo)致噴氨量無法迅速調(diào)整以匹配NOx濃度變化[1]。

因涉及復(fù)雜的內(nèi)部機(jī)理過程，使用傳統(tǒng)的機(jī)理分析建模方法很難建立一個(gè)準(zhǔn)確的模型來描述對象間的非線性關(guān)系。隨著數(shù)據(jù)驅(qū)動(dòng)建模與人工智能方法的成熟，越來越多的研究者將解決該問題的思路轉(zhuǎn)向智能建模領(lǐng)域[2]。

文獻(xiàn)[3]設(shè)計(jì)了基于彈性網(wǎng)絡(luò)（Elastic net）與最小二乘支持向量機(jī)（Least squares support vector machine，LSSVM）的SCR出口NOx預(yù)測模型，用Elastic net對特征變量進(jìn)行選擇，用LSSVM進(jìn)行預(yù)測。相比傳統(tǒng)LSSVM，該模型預(yù)測誤差減少8.45%，但測試集的均方根誤差（Root mean square error，RMSE）仍高達(dá) 7.555 8；所以，模型預(yù)測精度有待進(jìn)一步提高。

文獻(xiàn)[4]使用深度循環(huán)神經(jīng)網(wǎng)絡(luò)（Deep recurrent neural network，DRNN）結(jié)合長短期記憶（Long short-term memory，LSTM）的 DRNNLSTM模型預(yù)測SCR出口NOx排放量。所建立的模型雖然取得了較高的預(yù)測精度，但是該模型只能利用序列數(shù)據(jù)單一方向的信息，且未考慮特征變量的時(shí)延特性。

文獻(xiàn)[5]提出了一種含有多層結(jié)構(gòu)的深度雙向LSTM 模型。相較其他模型，該模型預(yù)測誤差下降了5%，模型泛化能力好；但該模型結(jié)構(gòu)較為復(fù)雜，同樣未考慮特征變量的時(shí)延特性。

注意力機(jī)制（Attention mechanism，AM）[6]通過對模型的輸入特征賦予不同的權(quán)重的方法來突出關(guān)鍵影響因素[7]，進(jìn)而輔助模型做出準(zhǔn)確的判斷。

文獻(xiàn)[8]針對航空發(fā)動(dòng)機(jī)剩余壽命預(yù)測，使用了基于特征注意力機(jī)制并融合生成對抗網(wǎng)絡(luò)（Generative adversarial network，GAN）與門控循環(huán)單元（Gated recurrent unit，GRU）網(wǎng)絡(luò)的混合模型，得到了比傳統(tǒng)模型更高的預(yù)測精度。

文獻(xiàn)[9]建立了一種結(jié)合時(shí)序注意力機(jī)制與LSTM 的混合預(yù)測模型 AM-LSTM。所建立的模型預(yù)測精度高，泛化能力強(qiáng)。

文獻(xiàn)[10]使用含有特征注意力和時(shí)序注意力的雙注意力機(jī)制，并結(jié)合GRU網(wǎng)絡(luò)，對電力短期負(fù)荷進(jìn)行預(yù)測。與其他多種模型對比結(jié)果表明，所提出的模型預(yù)測精度最高。

雖然注意力機(jī)制在文本處理、機(jī)器翻譯、負(fù)荷預(yù)測等諸多領(lǐng)域取得了廣泛應(yīng)用，但是其應(yīng)用于火電生產(chǎn)領(lǐng)域的相關(guān)研究較少。另外，在上述研究中，幾乎所有深度神經(jīng)網(wǎng)絡(luò)模型最優(yōu)超參數(shù)都是靠經(jīng)驗(yàn)手動(dòng)設(shè)置的，所以模型具有很強(qiáng)的主觀性，未能實(shí)現(xiàn)模型性能最大化。

針對以上問題，結(jié)合SCR出口NOx排放預(yù)測，本文提出一種基于數(shù)據(jù)驅(qū)動(dòng)且充分考慮變量時(shí)延特性的、結(jié)合了全局注意力機(jī)制（Global attention mechanism，GAM）與雙向門控循環(huán)單元（Bidirectional gated recurrent unit，BiGRU）深度神經(jīng)網(wǎng)絡(luò)的模型：充分利用BiGRU可以深度挖掘數(shù)據(jù)序列前后2個(gè)方向的時(shí)間依賴特性能力，以及 GAM 可以自動(dòng)分配神經(jīng)元隱藏狀態(tài)輸出權(quán)重的優(yōu)勢，突出重要信息的影響作用，從而提高模型預(yù)測精度；采用正則化技術(shù)（Dropout）與Adam結(jié)合的優(yōu)化算法來提高模型收斂速度并防止過擬合；使用黑寡婦優(yōu)化算法（Black widow optimization algorithm，BWOA）對超參數(shù)進(jìn)行自動(dòng)尋優(yōu)，以克服網(wǎng)絡(luò)超參數(shù)依靠個(gè)人經(jīng)驗(yàn)手動(dòng)調(diào)整帶來的不利影響，最大程度發(fā)揮模型的性能，提高預(yù)測精度。

1 模型原理

1.1 GRU網(wǎng)絡(luò)

GRU是LSTM的一種簡化結(jié)構(gòu)，是一種專門用來處理時(shí)間序列的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，RNN）。GRU內(nèi)部只有更新門和重置門 2個(gè)門結(jié)構(gòu)，在保持了 LSTM效果的同時(shí)，又具有比 LSTM 有更少的參數(shù)和更好的收斂性的優(yōu)勢[11]。GRU網(wǎng)絡(luò)神經(jīng)元細(xì)胞結(jié)構(gòu)如圖1所示。

圖1 GRU神經(jīng)元結(jié)構(gòu)圖Fig. 1 Neuron structure diagram of GRU

GRU網(wǎng)絡(luò)具體計(jì)算過程如下：

式中：xt為當(dāng)前時(shí)刻輸入；ht–1為神經(jīng)元上一時(shí)刻隱狀態(tài)；rt和zt分別為當(dāng)前時(shí)刻重置門和更新門的輸出；W為權(quán)重矩陣；b為偏置項(xiàng)矩陣；為神經(jīng)元當(dāng)前時(shí)刻候選隱狀態(tài)；ht為當(dāng)前時(shí)刻最終狀態(tài)輸出；“?”表示矩陣對應(yīng)元素相乘；tanh和sigmoid為激活函數(shù)。

1.2 BiGRU網(wǎng)絡(luò)

BiGRU對傳統(tǒng)GRU網(wǎng)絡(luò)進(jìn)行了改進(jìn)。BiGRU由2層方向相反的GRU網(wǎng)絡(luò)組成，可以獲取序列數(shù)據(jù)前后2個(gè)方向的信息。BiGRU網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 BiGRU結(jié)構(gòu)圖Fig. 2 Structure diagram of BiGRU

1.3 GAM

與 Bahdanau注意力機(jī)制相比，GAM[12]的結(jié)構(gòu)設(shè)計(jì)更加合理，其評分函數(shù)也進(jìn)行了擴(kuò)展：在經(jīng)典編碼器–解碼器（Encoder-decoder）結(jié)構(gòu)基礎(chǔ)上構(gòu)造一個(gè)注意力層（Attention layer），通過計(jì)算神經(jīng)元?dú)v史隱藏狀態(tài)與當(dāng)前時(shí)刻隱藏狀態(tài)之間的關(guān)聯(lián)程度，將更多的注意權(quán)重分配到關(guān)聯(lián)程度大的部分，從而實(shí)現(xiàn)對數(shù)據(jù)特征的自適應(yīng)關(guān)注。

GAM計(jì)算過程如下：

式中：ats為歷史時(shí)刻（s時(shí)刻）神經(jīng)元輸出隱狀態(tài)對當(dāng)前時(shí)刻（t時(shí)刻）輸出的注意力權(quán)重；score為評分函數(shù)；是神經(jīng)元?dú)v史輸出隱狀態(tài)；ht是神經(jīng)元當(dāng)前時(shí)刻輸出隱狀態(tài)；ct是中間變量；是經(jīng)注意力加權(quán)計(jì)算后的神經(jīng)元當(dāng)前時(shí)刻最終輸出。

1.4 黑寡婦優(yōu)化算法

BWOA[13]模擬了黑寡婦蜘蛛的繁殖行為。相比于其他優(yōu)化算法，該算法在尋找全局最優(yōu)解時(shí)收斂速度更快、精度更高。BWOA計(jì)算步驟為：

（1）初始化。確定黑寡婦蜘蛛（均為雌性蜘蛛）種群數(shù)量、最大迭代次數(shù)，確定每只黑寡婦蜘蛛代表的待優(yōu)化參數(shù)數(shù)量及范圍，確定適應(yīng)度函數(shù)。

（2）位置更新。根據(jù)適應(yīng)度函數(shù)值確定當(dāng)前最優(yōu)黑寡婦蜘蛛位置，之后進(jìn)行位置更新。黑寡婦蜘蛛在網(wǎng)格內(nèi)按照線性和螺旋2種方式進(jìn)行運(yùn)動(dòng)，位置更新如（9）式所示。

式中：Xi(t+ 1 )為更新后的黑寡婦蜘蛛位置；Xbest為當(dāng)前最優(yōu)黑寡婦位置；m為[0.4,0.9]區(qū)間的隨機(jī)數(shù)；β為[–1,1]區(qū)間的隨機(jī)數(shù)；rand為[0,1]區(qū)間的隨機(jī)數(shù)；Xr1(t)為隨機(jī)選擇的種群內(nèi)第r1個(gè)黑寡婦的位置；Xi(t)為當(dāng)前黑寡婦蜘蛛位置。

（3）計(jì)算信息素。如式（10）所示。信息素在蜘蛛的求偶過程中起著非常重要的作用。當(dāng)信息素值等于或小于0.3時(shí)，代表該雌性黑寡婦蜘蛛是饑餓的蜘蛛（雌性蜘蛛會吃掉雄性蜘蛛）。求偶過程中它將不會被雄性選中，但將被另一個(gè)雌性蜘蛛取代。按式（11）更新此時(shí)黑寡婦蜘蛛位置。

式中：ph(i)為第i個(gè)黑寡婦蜘蛛信息素；fitmax和fitmin分別為最優(yōu)和最差適應(yīng)度函數(shù)值；fit(i)為第i個(gè)黑寡婦蜘蛛適應(yīng)度值；Xi(t)為低信息素值黑寡婦蜘蛛的位置；r1和r2為種群數(shù)量內(nèi)的隨機(jī)數(shù)(r1≠r2)；Xr1和Xr2分別為第r1和r2個(gè)黑寡婦位置；σ為隨機(jī)二進(jìn)制數(shù)，為0或1。

（4）重新評估適應(yīng)度函數(shù)值，并更新最優(yōu)黑寡婦的位置及最優(yōu)適應(yīng)度函數(shù)值。

（5）重復(fù)步驟（2）—（4），進(jìn)行迭代運(yùn)算，直到滿足停止條件（達(dá)到最大迭代次數(shù)或允許誤差），輸出最優(yōu)黑寡婦位置和最優(yōu)適應(yīng)度函數(shù)值。

2 數(shù)據(jù)預(yù)處理與變量篩選

原始數(shù)據(jù)取自某2×300 MW火電廠分散控制系統(tǒng)（Distributed control system，DCS）連續(xù)7 d的運(yùn)行歷史數(shù)據(jù)，涵蓋高、中、低負(fù)荷范圍。數(shù)據(jù)樣本共10 080條，采樣間隔1 min。

2.1 數(shù)據(jù)清洗

數(shù)據(jù)驅(qū)動(dòng)建模對數(shù)據(jù)精度十分敏感，對數(shù)據(jù)品質(zhì)有較高的要求。建模之前首先對數(shù)據(jù)進(jìn)行清洗，以消除其對模型精度的影響。

對于離群值，本文使用箱線圖（Box-whisker plot）方法進(jìn)行篩選，然后使用均值填充法對異常值進(jìn)行修正。箱線圖結(jié)構(gòu)如圖3所示。

圖3 箱線圖結(jié)構(gòu)Fig. 3 Structure diagram of box-whisker plot

根據(jù)圖3，箱線圖法計(jì)算步驟如下：

（1）計(jì)算上四分位數(shù)（Q3）、中位數(shù)、下四分位數(shù)（Q1）。

（2）計(jì)算四分位距（Interquartile range，IQR），即：IQR=Q3–Q1。

（3）介于Q1–3IQR與Q3+3IQR之間的數(shù)為可接受數(shù)值，范圍之外的數(shù)據(jù)劃為離群值。

以SCR出口NOx濃度為例，經(jīng)箱線圖法篩選后，離群值分布情況如圖4所示。

圖4 SCR出口NOx濃度離群值分布Fig. 4 Distribution of NOxconcentration outliers at SCR outlet

本文采用小波半軟閾值去噪算法，解決硬閾值去噪帶來的信號局部抖動(dòng)以及軟閾值去噪峰值信噪比低的問題。

去噪過程為：首先對原始信號進(jìn)行小波多尺度分解，得到各尺度系數(shù)；對得到的小波系數(shù)進(jìn)行閾值處理；經(jīng)小波逆變換重構(gòu)，得到平滑且誤差小的信號。

本文采用Mallat算法，以db3小波作為母波，對原始信號進(jìn)行3層分解，得到1個(gè)近似分量和3個(gè)細(xì)節(jié)分量。半軟閾值函數(shù)f(x)及閾值λ選擇為：

式中：N為信號長度。

3種去噪方法的NOx測量信號信噪比（Signalto-noise ratio，SNR）對比結(jié)果如表1所示。

表1 SNR對比Tab. 1 SNR comparison

由表1可以看出，使用半軟閾值去噪后的SNR值最大，去噪效果最好。

NOx測量信號去噪前后時(shí)域波形對比如圖5所示。

圖5 NOx測量信號去噪前后對比Fig. 5 Comparison of NOxmeasurement signal before and after denoising

各個(gè)變量量綱的不同，在去除異常值和噪聲后，還要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將其轉(zhuǎn)化為無量綱的表達(dá)式。

本文使用Z-Score方法對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。

式中：μ為數(shù)據(jù)樣本均值；σ為標(biāo)準(zhǔn)差；x為原數(shù)據(jù)；x′為標(biāo)準(zhǔn)化數(shù)據(jù)。

2.2 變量篩選與延遲時(shí)間估計(jì)

在對原始數(shù)據(jù)進(jìn)行處理后，通過對SCR系統(tǒng)運(yùn)行機(jī)理分析并結(jié)合現(xiàn)場人員的實(shí)際經(jīng)驗(yàn)，共找出7個(gè)影響SCR出口NOx排放量的主要因素，將其作為模型輸入變量。

另外，由于SCR催化還原反應(yīng)過程緩慢，且各個(gè)輸入特征變量的測量和NOx測量值之間存在不同的時(shí)間延遲，所以DCS記錄的同一時(shí)刻運(yùn)行數(shù)據(jù)中的各相關(guān)參數(shù)之間未形成準(zhǔn)確對應(yīng)關(guān)系[14]。因此，建模之前還需要校準(zhǔn)輸入變量與輸出 NOx之間的時(shí)間延遲。

基于信息熵理論，利用互信息（Mutual information，MI）可找出2個(gè)隨機(jī)變量之間的關(guān)聯(lián)程度。離散隨機(jī)變量X與Y之間的互信息為：

式中：p(x,y)為X與Y的聯(lián)合概率分布；p(x)，p(y)分別為X與Y的邊緣概率分布。

設(shè)輸入變量矩陣為X(t)，有：

式中：n為X(t)維度，即變量個(gè)數(shù)。

令 SCR系統(tǒng)出口 NOx排放量為輸出Y(t)，τi∈[τmin, τmax]為變量Xi(t)與Y(t)之間的時(shí)間遲延，i∈(1,n)，則X(t)可以重構(gòu)為：

式中第i個(gè)變量xi(t)重構(gòu)為：

根據(jù) SCR系統(tǒng)實(shí)際運(yùn)行情況，變量延遲時(shí)間范圍一般在 0～5min之間。考慮采樣周期為 1 min，因此選擇τmin=0 min，τmax=5 min。為了求出每個(gè)輸入變量X(t)的最佳延遲時(shí)間，計(jì)算過程為：

（1）分別計(jì)算式（19）中等號右側(cè)矩陣每一列與輸出Y(t)之間的互信息值，其中互信息值最大的那一列對應(yīng)的τ就是該變量的延遲時(shí)間估計(jì)。

（2）重復(fù)步驟（1）得到所有變量的延遲時(shí)間。

輸入變量的延遲時(shí)間計(jì)算如表2所示。

表2 變量延遲時(shí)間估計(jì)Tab. 2 Estimation of variable delay time

在得到各輸入變量的時(shí)間延遲后，對原始數(shù)據(jù)序列進(jìn)行重構(gòu)，實(shí)現(xiàn)輸入變量與輸出NOx之間在時(shí)間維度上的對齊。

為了進(jìn)一步提高模型預(yù)測的準(zhǔn)確性，考慮到數(shù)據(jù)序列的時(shí)間依賴特性，在所選7個(gè)變量歷史時(shí)刻數(shù)據(jù)的基礎(chǔ)上，又加入了SCR出口NOx排放量歷史時(shí)刻數(shù)據(jù)。以這8個(gè)變量的歷史時(shí)刻數(shù)據(jù)形成模型最終輸入，輸出為未來時(shí)刻（未來1個(gè)采樣間隔）SCR出口NOx排放量。

3 模型構(gòu)建

3.1 BWOA-GAM-BiGRU模型結(jié)構(gòu)

BWOA-GAM-BiGRU模型結(jié)構(gòu)如圖6所示。參數(shù)優(yōu)化與預(yù)測輸出具體步驟為：

圖6 BWOA-GAM-BiGRU結(jié)構(gòu)圖Fig. 6 Structure diagram of BWOA-BiGRU

步驟1：初始化黑寡婦種群數(shù)量，最大迭代次數(shù)；設(shè)定網(wǎng)絡(luò)學(xué)習(xí)率l、隱層神經(jīng)元數(shù)量k、小批量值b、Dropout系數(shù)d這4個(gè)參數(shù)取值范圍。在所設(shè)定范圍內(nèi)，隨機(jī)初始化種群內(nèi)黑寡婦蜘蛛位置X= [l,k,b,d]。

步驟2：將原始數(shù)據(jù)進(jìn)行預(yù)處理并按照一定比例劃分訓(xùn)練集、驗(yàn)證集、測試集。訓(xùn)練集數(shù)據(jù)用于更新GAM-BiGRU網(wǎng)絡(luò)連接權(quán)重；用驗(yàn)證集通過訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測；將預(yù)測輸出均方根誤差（Root mean square error，RMSE）作為 BWOA適應(yīng)度函數(shù)，優(yōu)化目標(biāo)為尋找最優(yōu)超參數(shù)值使RMSE值最小。在循環(huán)停止條件中，設(shè)定允許誤差的大小。

步驟3：根據(jù)RMSE大小確定初始種群最優(yōu)黑寡婦位置，然后開始迭代運(yùn)算。使用式（9）更新黑寡婦位置，使用式（10）計(jì)算信息素，使用式（11）更新低信息素黑寡婦位置；然后，重新評估RMSE值，確定此時(shí)最優(yōu)黑寡婦位置，重復(fù)迭代，直到滿足循環(huán)停止條件（達(dá)到最大迭代次數(shù)或滿足允許誤差）。

步驟4：達(dá)到循環(huán)停止條件后，輸出的最優(yōu)黑寡婦位置Xbest即為所求超參數(shù)最優(yōu)值。

步驟5：將得到的4個(gè)網(wǎng)絡(luò)超參數(shù)最優(yōu)值重新輸入GAM-BiGRU網(wǎng)絡(luò)。用“步驟2”中訓(xùn)練集數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，用測試集數(shù)據(jù)測試模型最終預(yù)測能力。

3.2 模型參數(shù)設(shè)置

本文實(shí)驗(yàn)環(huán)境為MATLAB R2020b。BWOA優(yōu)化過程參數(shù)及GAM-BiGRU網(wǎng)絡(luò)待優(yōu)化參數(shù)取值設(shè)置如表3所示。

表3 模型參數(shù)設(shè)置Tab. 3 Settings of model parameters

4 實(shí)驗(yàn)對比

4.1 數(shù)據(jù)集劃分

選擇清洗后的數(shù)據(jù)前10 000組作為最終建模數(shù)據(jù)。訓(xùn)練集、驗(yàn)證集、測試集劃分比例為7:2:1。

4.2 評價(jià)指標(biāo)

為了定量分析模型的預(yù)測能力，本文選擇對稱平均絕對百分比誤差（Symmetric mean absolute percentage error，SMAPE）、RMSE、決定系數(shù)（R-square，R2）作為檢驗(yàn)?zāi)Ｐ蜏?zhǔn)確性的評價(jià)指標(biāo)。

4.3 實(shí)驗(yàn)結(jié)果與分析

使用BWOA對GAM-BiGRU網(wǎng)絡(luò)超參數(shù)尋優(yōu)，得到最優(yōu)超參數(shù)值如表4所示。

表4 最優(yōu)超參數(shù)計(jì)算結(jié)果Tab. 4 Calculation results of best hyperparameters

表4中，用BWOA優(yōu)化算法得到的“小批量大小”為模型輸入數(shù)據(jù)的時(shí)間段最優(yōu)值，含義為“模型采用輸入變量的前6個(gè)時(shí)刻對NOx排放量進(jìn)行預(yù)測”。

BWOA-GAM-BiGRU模型預(yù)測結(jié)果如圖7所示。為了更好地說明所提出模型的有效性，使用相同實(shí)驗(yàn)數(shù)據(jù)，選擇另外3個(gè)典型預(yù)測模型即BP神經(jīng)網(wǎng)絡(luò)（BPNN）、BiGRU、卷積長短期記憶神經(jīng)網(wǎng)絡(luò)（CNN-LSTM）進(jìn)行對比實(shí)驗(yàn)，結(jié)果如圖8所示。

圖7 BWOA-GAM-BiGRU預(yù)測結(jié)果Fig. 7 Prediction results of BWOA-GAM-BiGRU

圖8 各模型預(yù)測結(jié)果對比Fig. 8 Comparison of prediction results of four models

各模型的量化評價(jià)指標(biāo)對比如表5所示。

表5 模型評價(jià)指標(biāo)對比Tab. 5 Comparison of model evaluation indexes

圖7中，BWOA-GAM-BiGRU模型NOx預(yù)測值與實(shí)測值之間差距極小，曲線幾乎完全重合。

圖8中，BWOA-GAM-BiGRU、BiGRU、CNN-LSTM這3個(gè)模型的NOx預(yù)測值都可以很好地跟蹤實(shí)測值變化，且BWOA-GAM-BiGRU模型最貼近實(shí)測數(shù)據(jù)，BPNN相對較差。

表5中，BWOA-GAM-BiGRU的SMAPE和RMSE值最小，這說明該模型的預(yù)測精度最高；該模型的R2系數(shù)最大，說明該模型的數(shù)據(jù)跟蹤能力最好。

各模型的線性擬合結(jié)果，如圖9所示。

圖9 各模型直線擬合結(jié)果對比Fig. 9 Comparison of linear fitting results of four models

由 9可以看出：NOx預(yù)測值和實(shí)測值構(gòu)成的散點(diǎn)基本都分布在擬合直線兩側(cè)，擬合直線均比較接近理想直線x–y=0；BWOA-GAM-BiGRU模型最接近理想直線；BPNN散點(diǎn)分布較為散亂，擬合效果一般。

5 結(jié)論

針對SCR系統(tǒng)大遲延、大慣性的特點(diǎn)，以及現(xiàn)有NOx預(yù)測模型超參數(shù)依靠手動(dòng)調(diào)節(jié)、不能自適應(yīng)關(guān)注重要信息的問題，本文對SCR系統(tǒng)歷史數(shù)據(jù)進(jìn)行了深度挖掘，估計(jì)了變量的時(shí)間延遲，提出了一種結(jié)合全局注意力機(jī)制與BiGRU網(wǎng)絡(luò)，并使用黑寡婦優(yōu)化算法對網(wǎng)絡(luò)參數(shù)自動(dòng)尋優(yōu)的SCR出口NOx排放預(yù)測模型。

實(shí)驗(yàn)結(jié)果表明，與另外幾種典型預(yù)測模型相比，所提出模型的預(yù)測結(jié)果RMSE值僅為1.228，且R2值達(dá)到0.996。該預(yù)測精度最高，誤差最小，說明模型泛化能力最好。

下一步研究方向：對多個(gè)時(shí)刻N(yùn)Ox排放量進(jìn)行預(yù)測，以檢驗(yàn)?zāi)Ｐ偷拈L期預(yù)測能力；根據(jù)結(jié)果對模型結(jié)構(gòu)進(jìn)行更深層次的優(yōu)化，進(jìn)一步提高模型預(yù)測精度。