基于树状结构Parzen估计器优化长短期记忆神经网络的燃煤机组NO生成浓度预测

作     者：陈东升 梁中荣 郑国 何荣强 屈可扬 甘云华 

作者机构：华南理工大学电力学院 湛江电力有限公司 

出 版 物：《中国电机工程学报》 (Proceedings of the CSEE)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(52376108) 广东省省级科技计划项目(2022A0505050004) 

主　　题：燃煤锅炉 NO 生成浓度预测 树状结构Parzen估计器 超参数优化 长短期记忆神经网络 

摘      要：建立更准确的NOx生成浓度预测模型对于燃煤机组进行减少NOx排放，降低脱硝成本有重大意义。搭建NOx生成模型基于机组相关变量，同时依赖模型结构设计，设计模型结构的参数称为超参数。进行合理的数据处理与超参数设定，能够有效提升NOx预测模型精度与泛化性。提出一种基于树状结构Parzen估计器优化长短期记忆神经网络的NOx生成浓度预测模型。基于某330MW燃煤机组的历史运行数据，获取NOx生成相关变量参数，将模型结构参数与NOx相关变量参数的时间序列窗口长度以及主成分数量相互耦合，组成一类新的超参数。通过优化改进后的超参数取值，构建基于长短期记忆神经网络的NOx生成浓度预测模型。将所提出的超参数优化后的NOx预测模型与基于未优化的LSTM模型、采用典型优化算法的PSO-LSTM模型对比，预测结果表明，TPE-LSTM预测模型具有较好的模型精度与泛化能力。