基于联合多头注意力CNN-GRU混合模型的燃煤电厂动态氮氧化物排放预测

《Canadian Journal of Chemical Engineering》：Dynamic NOx emission prediction in coal-fired power plants based on joint multi-head attention CNN-GRU hybrid model

燃煤电厂深调峰运行对SCR系统NOx精准预测构成挑战，本研究提出融合CNN-GRU与多头注意力机制的混合模型，通过时空特征联合建模和自适应参数优化，实现MAE<0.5 mg/m3、MAPE<2%的高精度预测，相比Transformer模型提升28%预测精度。

　　

摘要

在深度削峰条件下，燃煤电厂的灵活运行对SCR系统中的NOx精确预测带来了重大挑战。鉴于SCR脱氮过程的固有复杂性，该过程具有动态非线性、时间变化性和氮氧化物排放的多变量耦合特性，本研究提出了一种结合卷积神经网络-门控循环单元（CNN-GRU）与多头注意力（MA）机制的混合模型，以解决这些系统特定问题，从而实现精确的NOx预测。该模型结合了CNN的局部特征提取能力、GRU的长期时间依赖性建模优势以及MA机制的自适应特征加权功能，实现了特征通道和时间尺度上的动态权重分配，从而提高了模型的鲁棒性和特征表示能力。此外，引入了雀搜索算法（SSA）来自适应地优化模型参数，进一步提升了预测准确性和泛化性能。使用实际运行数据进行实验验证表明，该模型的性能表现出色，平均绝对误差（MAE）低于0.5 mg/m3，平均绝对百分比误差（MAPE）低于2%。消融实验进一步证实了所提出架构的有效性，与基于Transformer的模型相比，预测准确率提高了28%以上，同时保持了更好的泛化能力。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。