基于SHAP可解释性分析与多模态数据的火电机组NOx浓度预测：VSAttLSTM深度学习模型

为解决火电厂NOx排放预测精度不足、模型泛化性差的问题，山西吕梁柳林华光电厂联合研究团队提出融合SSA超参数优化与VMD信号分解的VSAttLSTM模型，通过LSTM-自注意力机制实现NOx浓度预测误差<5%（69.4%数据点<1%），为工业污染控制提供透明化预测工具。

　　

随着工业化进程加速，燃煤电厂产生的氮氧化物（NOx）已成为大气污染主要来源。选择性催化还原（SCR）系统中氨喷射量的精准控制依赖NOx浓度预测，但现有监测系统在高温恶劣工况下易受信号干扰，传统机理模型又因计算复杂难以满足实时需求。数据驱动方法虽能快速建模，但单一模型难以捕捉NOx生成的全局特性，泛化能力受限。山西吕梁柳林华光电厂联合团队在《Journal of the Energy Institute》发表研究，提出创新性解决方案。

研究团队采用7140组600MW亚临界机组运行数据，构建VSAttLSTM深度学习框架。关键技术包括：1）通过变分模态分解（VMD）将NOx数据分解为多模态子序列实现多任务建模；2）结合长短期记忆网络（LSTM）与自注意力机制捕捉时序特征；3）引入麻雀搜索算法（SSA）自适应优化超参数；4）采用SHAP值解析特征贡献度。

【Data analysis】
基于山西柳林华光电厂#3、#4锅炉的实时数据，筛选22项关键操作参数（如二次风门开度、氧量设定值等）作为输入特征，经VMD分解后形成5个本征模态分量（IMF），有效分离噪声与有用信号。

【Model Construction】
基准模型对比显示LSTM在RMSE指标上较RNN降低47.8%。改进后的VSAttLSTM通过自注意力机制赋予关键时间步更高权重，SSA优化使学习率收敛速度提升3.2倍，模型结构如图7所示。

【Results and Discussion】
十种模型对比实验中，VSAttLSTM的MAE（0.87 mg/m³）显著优于XGBoost（2.15 mg/m³）和GRU（1.32 mg/m³）。SHAP分析揭示氧量（SHAP值0.43）和炉膛温度（0.39）为最敏感特征，与燃烧机理相符。

【Conclusions】
该研究首次实现NOx预测误差99.93%数据点<5%的工业级精度，VMD-SSA-LSTM-自注意力的四重创新架构为复杂工况污染物预测树立新范式。未来可扩展至CO₂等污染物多目标预测，山西省科技重大专项（ZDJB010）资助的这项成果，为火电行业"双碳"目标达成提供智能决策支持。