一种新型的VMD-LassoNet-iTransformer框架，该框架结合了增强的特征融合技术，用于灵活型公用锅炉中动态氮氧化物（NOx）的预测

《Canadian Journal of Chemical Engineering》：A novel VMD-LassoNet-iTransformer framework with enhanced feature fusion for dynamic NOx forecasting in flexible utility boilers

NOx排放预测框架通过改进VMD降噪和LassoNet特征筛选，结合iTransformer的时空注意力机制，实现柔性电厂锅炉的高精度动态建模，实验显示其性能优于传统LSTM和Transformer模型。

　　

摘要

准确预测灵活型公用锅炉中的NOx排放量对于环境保护和运营优化都至关重要。本研究提出了一种新颖的变分模态分解（VMD）-LassoNet-逆变换器（iTransformer）框架，用于动态NOx预测。首先，采用改进的VMD算法并结合自适应阈值处理来减少原始数据中的噪声。接下来，在第一阶段使用带有L1正则化跳层连接的LassoNet网络进行特征选择，将输入维度从33个参数减少到28个关键参数，同时保持模型的可解释性。在第二阶段，iTransformer模型通过时间注意力机制进行深度特征提取，从而捕捉多变量关联性和长期依赖性，实现NOx排放量的精确动态建模。在660兆瓦公用锅炉数据集上的实验表明，所提出的模型表现出业界领先的性能：在单步预测中，其R2值为0.95，MAE为2.63毫克/立方米，RMSE为3.71毫克/立方米，超越了LSTM、Transformer和TimesNet模型。在多步预测中，该模型的预测误差分别比Transformer和TimesNet降低了7.46%和3.4%。该框架的层次化特征融合和时间反演机制能够有效应对负荷变化的情况，为实时NOx排放控制提供了坚实的基础。