基于Transformer模型预测控制与前馈预测的SCR脱硝系统氨喷射优化研究

本文提出了一种创新的iTF-TMPC控制策略，结合深度学习前馈预测（iTransformer）与神经网络模型预测控制（MPC），有效解决了燃煤锅炉SCR（选择性催化还原）脱硝系统中因负荷波动导致的NOX排放控制难题。通过Transformer架构建模和实时优化氨喷射量，在新疆某电厂案例中实现RMSE降低87.1%、氨耗减少29.5%的显著效果，为环保与经济效益平衡提供了新方案。

　　

Highlight

本研究针对燃煤锅炉SCR脱硝系统中NO_X排放控制的核心挑战，提出四大创新突破：

1. 1.

   动态前馈预测：采用iTransformer模型精准预测SCR入口烟气参数，将预测值作为前馈信号，使控制系统能像"天气预报"般提前应对扰动；

2. 2.

   智能建模革新：首次将Transformer架构应用于SCR系统数据驱动建模，其并行计算能力使氨喷射决策速度提升85%，解决了传统机理模型精度不足的痛点；

3. 3.

   双目标优化：在滚动优化目标函数中引入氨耗量指标，像"精算师"般权衡排放达标与经济成本，实现NO_X控制误差仅1.0015（RMSE）的同时减少29.5%氨耗；

4. 4.

   工业验证：在新疆某石化自备电厂案例中，系统响应速度提升85.4%，氨耗降至220.58 m3/h，展现出"即精准又节俭"的环保控制新范式。

Conclusions

本研究提出的iTF-TMPC策略成功攻克了燃煤锅炉负荷频繁波动导致的SCR系统控制难题。就像为SCR系统安装了"智能导航"，通过前馈预测和实时优化的协同作用，不仅使NO_X排放控制稳定性显著提升（MAPE低至2.1130%），更开创性地将氨耗量纳入控制闭环，实现了环保指标与经济性的"双赢"。该成果为火电行业绿色转型提供了可复用的AI+控制解决方案。