基于引导式 rollout 混合预测网络的 NOx排放与锅炉性能长时域预测及运行优化

《Energy》：Long-horizon prediction of NOx emissions and boiler performance for operational optimization using a guided rollout hybrid forecasting network

　　

准确的长时域预测NOx排放及关键锅炉性能指标有助于改善燃煤电厂的运行控制。本研究提出了一种引导式rollout混合预测网络（GRHFNet），用于预测锅炉出口NOx和O₂浓度以及烟气温度（T_g,exit）的长时域行为。研究人员对某500 MWe燃煤锅炉以1分钟为间隔、在69天内采集的共计84,360个样本进行了预处理，并将数据分为运行变量、性能指标和目标变量三类。GRHFNet由两个组件构成：引导模型（Model G）和rollout预测模型（Model R）。Model G基于性能指标历史数据生成全时域轨迹，Model R则利用运行输入和目标变量历史进行自回归单步超前预测。基于互相关时延分析，输入序列长度和预测时域分别设定为30分钟和20分钟，以捕捉控制引起的动态响应。研究人员评估了多种深度学习架构以提高预测精度。最终的GRHFNet采用门控循环单元（GRU）-Transformer结构。在20分钟预测时域内，NOx、O₂和T_g,exit的平均R²值分别达到0.945、0.946和0.993。GRHFNet进一步与灰色狼群优化（GWO）算法耦合以优化运行变量，在维持锅炉性能的同时降低了NOx排放，表明其作为大规模热力发电系统实用优化工具的潜力。

燃煤发动发电长期以来在满足电力需求方面发挥着重要作用，目前仍约占全球电力生产的34%。然而，燃煤发电排放多种空气污染物和温室气体，其中NOx作为光化学臭氧和二次颗粒物形成的关键前驱体，属于管控最严格的污染物之一。在煤燃烧过程中，NOx生成以燃料型NOx为主，来源于燃料中含氮化合物的热解氧化；热力型NOx则由空气中氮气在高温下氧化形成，占比较低。为降低NOx排放，燃烧器设计和运行控制中已采用调整煤风分配、使用低氮燃烧器等操作策略。

近年来，太阳能、风能等可再生能源的快速扩张导致燃煤电厂负荷变化更为频繁。这种运行波动性引起燃烧区内流场、火焰结构和燃料-空气混合特性的连续变化，进而影响NOx排放及其他关键性能指标，包括烟气O₂浓度、烟气温度和锅炉总吸热量。研究人员指出，需要制定最优控制策略以实现NOx减排与其他性能指标维持之间的平衡，而理解设计和运行参数对锅炉性能的影响规律至关重要。

计算流体力学（CFD）是分析大型锅炉燃烧行为和NOx形成的常用方法，通过求解控制守恒方程、输运方程和化学反应动力学来模拟燃烧过程及NOx生成还原反应。但商业锅炉在高度动态条件下运行，受燃料特性变化、负荷波动和多运行变量间复杂控制交互等因素影响，NOx排放呈现显著时变特性。将CFD应用于此类瞬态运行行为分析往往不切实际，原因在于输入信息不完整以及大规模模拟的过高计算成本。

数据驱动模型利用历史电厂数据寻找运行变量与性能指标间的统计关系，成为另一种运行优化途径。早期研究主要采用人工神经网络（ANN）等传统模型进行稳态预测，建立变量间的静态回归关系。但热力发电厂的燃烧过程由于热惯性和控制响应延迟而表现出时滞特性。为此，研究人员基于互信息（MI）进行时滞分析以构建延迟预测模型，并将物理指标与机器学习技术相结合以提升预测性能。

近年来，能够直接从时间序列数据捕捉时间依赖关系的深度学习架构日益受到关注。基于卷积神经网络（CNN）的模型被用于从运行数据中提取局部时间模式；时序卷积网络（TCN）作为CNN的序列建模扩展，也被应用于预测多种锅炉性能指标。为进一步捕捉时间序列数据中的序列动力学，包括长短期记忆网络（LSTM）和门控循环单元（GRU）在内的循环神经网络（RNN）得到广泛采用。基于注意力机制的Transformer模型被引入以捕获长程依赖关系。此外，还有研究提出将RNN方法与CFD数据相结合，以解决传感器数据的局限性和不完整性问题。

特别地，混合建模方法可进一步提升预测性能。例如，CNN与RNN的组合网络被提出以同时利用空间特征提取和时序序列学习能力；其他研究将不同机器学习模型相集成，或将深度学习架构与优化算法相结合以提高预测精度和鲁棒性。这些深度学习模型也支持锅炉系统的数据驱动运行优化，如将深度置信神经网络（DBN）-LSTM混合模型与甲虫群优化相结合，以识别降低NOx和CO排放的运行工况。

尽管取得上述进展，现有研究大多聚焦于单步超前预测，长时域预测研究相对不足。部分研究尝试直接同时预测多步未来值，但此类直接预测方法需要学习复杂的长期时间依赖和系统动力学，随着预测时域增加，映射关系愈益非线性且难以近似，导致精度下降。另有研究采用递归预测策略，将先前预测值反馈作为后续预测的输入。虽然这种rollout方法能更自然地捕捉时间演化，但本质上易于误差累积——先前预测被递归复用为输入时，前期误差直接传递至后续预测，并可能因系统非线性而被放大。

将长时域预测与锅炉运行优化相集成的研究更为稀缺。锅炉性能的动态行为受多个互联组件间复杂相互作用的支配，其中气/汽和水/蒸汽流经不同路径且具有不同停留时间，导致系统呈现多时间尺度动力学，涵盖数秒内的快速瞬态现象至数分钟内的慢响应过程。因此，有效的运行优化需要能够预测操作变化持续传播通过系统的延迟周期之外系统行为的预报模型。这些挑战凸显了建立能够在扩展时域上保持预测稳定性、同时兼顾当前和 forthcoming 运行条件的预测框架的必要性。

鉴于此，本研究提出引导式rollout混合预测网络（GRHFNet），用于预测NOx排放和关键锅炉性能指标的长时域行为以支持运行优化。目标系统为某500 MWe煤粉燃烧电厂，研究期间以1分钟间隔采集了177个锅炉控制和测量参数，历时69天用于模型开发。首先进行互相关分析以量化运行变量与目标指标间的动态响应延迟，并基于识别的时滞特性确定输入序列长度和预测时域。

与传统仅依赖直接多步预测或递归rollout的方法不同，所提出的框架将两种策略集成于两阶段混合架构中：引导机制提供全视域轨迹以缓解误差累积并稳定长时域预测，而自回归rollout架构通过顺序纳入计划运行条件来捕捉逐步时间依赖关系。通过对比评估确定了最适合该框架的混合深度学习架构。最终，所选预测模型与优化算法耦合，以识别在维持稳定锅炉性能的同时最小化NOx排放的运行条件，展示了将长时域预测与运行优化相集成以支持大型燃煤锅炉预测排放控制的潜力。

本研究所用关键技术方法包括以下方面。数据来源为韩国某500 MWe切向燃烧煤粉锅炉，该锅炉具有六级燃烧器（A至F），四角切圆布置形成中心旋转火球，采用空气分级燃烧技术抑制NOx排放。数据采集方面，以1分钟间隔采集177个参数，涵盖69天运行数据共计84,360个样本，经预处理后分为运行变量（如给煤量、风量、风门开度等操作参数）、性能指标（NOx、O₂、T_g,exit）和目标变量三类。时滞分析方面，采用互相关函数（Cross-Correlation）分析变量间动态响应延迟，基于最大互相关系数（CCC）确定时滞特性。模型架构方面，GRHFNet采用双组件结构：Model G（引导模型）基于性能指标历史生成全视域轨迹，Model R（rollout模型）进行自回归单步预测并融入计划运行条件；最终选定GRU-Transformer混合架构，其中GRU处理序列依赖，Transformer通过自注意力机制捕获长程关联。优化算法方面，采用灰色狼群优化（GWO）算法与GRHFNet耦合，搜索最优运行变量组合。

研究结果部分按照以下结构展开。

基于时滞分析的输入序列长度与预测时域确定。研究人员对变量进行互相关时滞分析，在350-400 MW和400-450 MW两种负荷条件下考察最大CCC值及其对应时滞。对于相关性弱或互相关轮廓无显著峰的变量予以排除。分析结果表明，多数关键变量在30分钟输入序列内呈现显著相关性，而20分钟预测时域足以覆盖控制-induced动态响应的主要延迟特征，据此将输入序列长度和预测时域分别设定为30分钟和20分钟。

GRHFNet模型开发与架构优化。研究人员系统评估了多种深度学习架构组合，包括CNN、TCN、LSTM、GRU及Transformer等基线模型及其混合变体。对比实验表明，单纯的直接多步预测在时域超过10分钟后精度急剧下降，而纯递归rollout方法存在显著误差累积。GRU-Transformer混合架构在Model G的全视域轨迹引导下，Model R的自回归预测能够有效稳定长时域输出，在20分钟预测时域内对NOx、O₂和T_g,exit的平均R²值分别达到0.945、0.946和0.993，均方根误差（RMSE）和平均绝对误差（MAE）指标亦优于对比模型。

预测性能评估与误差分析。研究人员详细分析了不同预测步长下的误差传播特性。结果表明，GRHFNet的引导机制有效抑制了传统rollout方法的误差放大效应，尤其在10-20分钟的后段预测区间性能优势显著。温度预测T_g,exit的极高精度归因于热惯性引起的高自相关性，而NOx和O₂浓度预测面临更强的非线性挑战。敏感性分析揭示了运行变量对预测贡献度的时变特性，燃料量和配风比例在NOx预测中具有主导影响。

与优化算法的集成应用。GRHFNet与GWO耦合形成预测-优化闭环框架。优化目标设定为在约束锅炉性能指标波动范围内的NOx排放最小化。GWO算法在多维运行变量空间中搜索最优解，GRHFNet提供快速准确的前向预测以评估候选运行策略。优化结果表明，在典型负荷工况下，NOx排放可降低约8-12%而O₂和T_g,exit维持在正常波动范围内，验证了该框架在实际运行优化中的有效性。

讨论部分，研究人员总结了GRHFNet的设计优势与局限性。所提出的引导式rollout混合架构有效结合了直接预测的全局稳定性和递归预测的逐步精度，两阶段设计使Model G的粗粒度轨迹约束与Model R的细粒度动态更新形成互补。Transformer注意力机制能够自适应识别历史序列中的关键时间步，增强了对异常工况的鲁棒性。与GWO的成功集成证明了长时域预测驱动的实时优化可行性，突破了传统基于稳态模型或单步预测的优化局限。局限性方面，模型训练依赖于充足的历史数据覆盖典型工况，对于极端非正常工况的泛化能力有待验证；此外，当前优化框架未考虑设备机械约束的显式建模，实际部署时需与分布式控制系统（DCS）的安全联锁逻辑相结合。未来研究方向包括引入物理约束嵌入机制、探索与其他进化优化算法的协同，以及向全厂多锅炉协调优化的扩展。

研究结论部分指出，本研究提出的GRHFNet用于500 MWe燃煤锅炉NOx排放和关键烟气侧性能指标（O₂和T_g,exit）的长时域运行优化。该框架旨在通过准确预测未来运行条件如何影响锅炉性能来支持预测运行优化。GRHFNet由两个互补模型组成：Model G生成代表目标指标长期演化的全视域轨迹，Model R基于计划运行输入和历史目标变量进行自回归单步预测并融入引导信息。基于84,360个样本的69天运行数据，通过互相关时滞分析确定了30分钟输入序列和20分钟预测时域。对比评估选定GRU-Transformer为最优架构，20分钟预测时域内实现NOx、O₂和T_g,exit的高精度预测。与GWO的耦合应用表明，该框架能在维持锅炉性能的同时降低NOx排放，为大型燃煤锅炉的预测控制和清洁运行提供了有效的技术途径。