《Journal of Cleaner Production》：LSTM-CNN-CBAM-based prediction of NOx emissions with zonal control strategies for flexible peak-load NOx reduction in CFB coal-fired units
编辑推荐：
针对低负荷下CFB锅炉NOx排放波动问题，本研究提出LSTM-CNN-CBAM混合模型预测NOx生成，结合NSGA-III优化实现排放、效率和煤耗协同降低，验证其预测精度和优化效果，为智能排放调控提供新方法。
王静|廖新文|车宇|王鹏程|张圆圆|王飞|弗雷德里克·马里亚斯|荣浩杰
中国山西省太原市山西大学资源与环境工程学院教育部资源效率提升与碳减排工程研究中心，邮编030006
摘要
在深度低负荷运行条件下，循环流化床（CFB）锅炉的NOx排放量会出现显著波动，这使得稳定控制变得越来越具有挑战性。为了提高排放调节性能，本研究首先采用最大信息系数、皮尔逊相关性和斯皮尔曼相关性分析以及Shapley加性解释（SHAP）值来量化运行参数与NOx排放量之间的相关性及时间滞后特征，基于这些分析重新构建了数据集以更好地反映燃烧动态。随后开发了一种结合长短期记忆（LSTM）、卷积神经网络（CNN）和卷积块注意力模块（CBAM）的混合深度学习模型，用于预测在不同煤给料和空气分配配置下的NOx生成情况，并对其泛化能力进行了评估。所提出的LSTM-CNN-CBAM模型实现了更高的预测精度（RMSE = 4.30 mg/Nm3），优于LSTM和LSTM-CNN等基线模型，并且相比最先进的时间卷积网络具有显著优势。随后，建立了一个基于非支配排序遗传算法III（NSGA-III）的多目标优化框架，以实现NOx排放、锅炉效率和总煤消耗的协调优化。对于一台在150 MW（42%负荷）下运行的350 MW CFB锅炉，优化结果显示，在NOx ≤ 30 mg/Nm3和锅炉效率 ≥ 87%的约束条件下，获得了139个帕累托最优解。其中一种配置将总煤消耗量减少了16.6%，同时保持了与历史运行相同的效率。该优化策略的特点是前壁空气分段供给、后壁缺氧条件以及“中间部分分布较低、两侧部分分布较高”的差异化煤给料模式，有效抑制了高温核心区域的NOx生成。总体而言，先进预测建模与进化优化的结合显著提高了低负荷条件下的NOx控制精度和运行效率，为燃煤电厂的智能排放调节提供了有前景的途径。
引言
受中国“双碳”目标的驱动，传统的发电系统正在快速向更清洁、低碳、安全和高效的模式转型。随着可再生能源在电网中的日益融合，这些能源的间歇性对热力发电单元的运行灵活性提出了更高要求，尤其是在负荷调节方面。在低负荷条件下，氮氧化物（NOx）排放量往往会表现出显著波动（Zheng等人，2009年）。在矩形炉膛横截面的循环流化床（CFB）锅炉中，独特的“核心-环形”流动结构导致NOx生成的空间变化（Wang等人，2025年；Kuang等人，2012年），这对均匀排放控制构成了挑战。燃料分段供给和空气分段供给技术可以通过调节CFB锅炉的燃烧条件进一步抑制NOx生成（Saastamoinen和Leino，2019年；Chang等人，2016年）。基于此，某电厂在CFB锅炉中采用了分区煤给料控制策略，从而能够更精确地调节不同负荷水平下的NOx排放（Wang等人，2021年）。利用炉膛内的水平分层特性，分区控制允许对NOx生成进行细粒度调整，从而提高排放管理的准确性（Yang等人，2025年）。在这些控制策略的基础上，准确的NOx排放预测可以进一步优化分区控制并提高其整体效率。在这方面，TimesNet等模型已被证明可以提高NOx预测的稳定性和准确性，为分区优化提供了强有力的支持（Li等人，2025年）。
现有的NOx预测方法大致分为两类：基于机理的模型和数据驱动的模型。基于机理的模型依赖热力学原理、实验数据和计算流体动力学（CFD）模拟来再现燃烧过程。尽管这些模型具有很高的可解释性，但它们常常受到复杂变量耦合和时间延迟效应的阻碍，限制了其在实际工业环境中的实用性（Li等人，2011年；Yu等人，2019年）。因此，研究重点逐渐转向数据驱动技术（Wang等人，2024a），这些技术不断进化，以更有效地估计和最小化NOx生成（Li等人，2004年）。特别是经验模型，在预测流化床燃烧（FBC）锅炉的NOx排放方面展示了更强的适用性和性能（?tefanica和Hrdli?ka，2014年）。
随着分布式控制系统（DCS）和监控信息系统（SIS）在热力发电厂的广泛应用，大量运营数据的积累极大地推动了数据驱动方法的进步。近年来，多种机器学习技术被应用于NOx预测，包括CNN-LSTM混合模型（Yin等人，2023年）、堆叠集成学习（Tang等人，2022年）、自回归积分移动平均-在线序列极端学习机（ARIMA-OSELM）残差校正模型（Fan等人，2021年）、支持向量回归-经验模态分解（SVR-EMD）复合模型（Saif-Ul等人，2022年）以及结合改进的互信息进行特征选择的双向互信息特征选择-长短期记忆（BMIFS-LSTM）模型（Song等人，2022年）。其中，基于随机森林的即时学习（JITL）方法提高了预测精度和模型鲁棒性（He和Ding，2024年），而数据驱动的优化技术进一步促进了燃煤电厂的NOx减排（Tang等人，2021年）。由于长短期记忆（LSTM）网络具有门控结构，它在捕捉时间依赖性方面表现出色，并已被证明在模拟NOx生成与锅炉运行条件之间的动态关系方面有效（Tang等人，2021年；Yin等人，2022年）。像CNN-LSTM和CNN-GRU这样的混合深度学习架构已成功应用于预测NOx转化效率，显著提高了预测精度（?zarslan和Uluocak，2026年），新型CNN-LSTM方案在流化催化 cracking（FCC）过程中实现了高效的NOx预测（He等人，2020年）。由于NOx排放受到众多相互作用变量的影响，包含所有可用特征可能会导致冗余并降低模型性能。为了解决这个问题，各种研究采用了降维技术，如主成分分析（PCA）（Lu等人，2004年）和基于随机森林的特征选择（Wang等人，2023年），并结合时间延迟分析来优化输入变量，从而提高预测精度（Lipton等人，2015年；Peng等人，2023年）。
尽管取得了这些进展，但在深度削峰条件下准确建模NOx排放仍然具有挑战性。现有的数据驱动模型通常缺乏专门机制来同时捕捉长期时间依赖性、显著的局部模式，以及最重要的是，无法自适应地权衡时空特征的重要性——这是优化分区控制策略的关键能力。为了解决这些问题，本研究提出了一种使用来自350 MW燃煤机组运行数据的机器学习方法。重要的是，数据集将十个独立给料机的煤给料速率作为不同的输入特征，使模型能够学习空间差异化燃料分布的影响。提出了一种混合LSTM-CNN-CBAM模型，利用LSTM网络处理时间动态，卷积神经网络（CNN）提取局部模式，以及卷积块注意力模块（CBAM）自适应地权衡这些时空和分区特征的重要性。基于预测模型，应用了一种优化算法来实现煤给料策略、燃烧效率和污染物控制的协调多目标优化。该框架为分区控制优化提供了技术基础，并为工业应用中的精细NOx管理提供了实用途径。
模型构建
预测模型构建
为了有效应对预测时间序列数据的挑战，特别是在捕捉长期依赖性和管理非线性变化方面，开发适当的预测模型至关重要。以下部分将详细阐述这些模型的基本结构、原理及其在本研究中的应用。
锅炉规格
本研究关注的是一台350 MW的CFB锅炉，该锅炉配备了一台350 MW的超临界蒸汽涡轮发电机。这是一款一次通过式锅炉，在超临界和滑压条件下运行，采用单炉膛配置和半开放式M形布局。系统采用平衡通风和单级中间再热。锅炉采用CFB燃烧系统。目标变量是
基于NSGA-III算法的多目标优化
本研究的优化目标是提高锅炉热效率、降低NOx排放量并减少总煤消耗量。需要注意的是，10个煤给料机被视为可控变量。在优化过程中，必须确保所有10个给料机的煤给料速率之和与总煤给料速率保持一致，同时优化它们的分布以提高整体性能。
时间延迟分析对模型精度的影响
基于延迟时间的MIC分析，原始数据集经过时间延迟处理（未进行特征选择），然后使用三个模型预测重构后的数据集。图6显示了预测值与实际值之间的比较，模型性能通过R2指标进行评估。结果表明，经过时间延迟重构后的数据集在所有3个模型中的表现都优于处理前的数据集。
结论
本研究为350 MW循环流化床锅炉开发了一个燃烧优化框架，结合深度学习和多目标优化来实现排放控制和性能提升。该框架的核心在于采用混合LCC模型进行NOx排放预测，并结合NSGA-III算法进行运行参数优化。主要结论如下：
(1)高精度预测模型：一种混合特征选择方法
CRediT作者贡献声明
王静：撰写原始稿件、可视化、项目管理、方法论、数据管理、概念化。廖新文：撰写原始稿件、可视化、验证、监督、软件、方法论、数据管理。车宇：可视化、验证、软件、方法论、数据管理。王鹏程：资源管理、方法论、数据管理。张圆圆：资源管理、方法论、调查、形式分析。王飞：软件、方法论、形式分析，
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：王静报告称获得了中国国家自然科学基金（22278250）、中国国家重点研发计划（2020YFB0606203）、山西省基础研究计划（202403021222010）和中国留学基金委（202308140040）的财政支持。王静与1个工程单位有合作关系
致谢
本工作得到了中国国家自然科学基金（22278250）、中国国家重点研发计划（2020YFB0606203）、山西省基础研究计划（202403021222010）和中国留学基金委（202308140040）的支持。
