一种用于预测公用锅炉在域外深度削峰情景下氮氧化物排放的时空滤波与适应框架

《Engineering Applications of Artificial Intelligence》：A spatial-temporal filtering and adaptation framework for nitrogen oxides emission prediction in utility boilers under out-of-domain deep peak-shaving scenarios

　　**摘要**

在深度削峰条件下运行的公用事业锅炉面临显著的氮氧化物（NOx）排放波动，这对实时控制策略构成了挑战。现有的基于机制和基于数据的模型要么计算成本高，要么在动态条件下的泛化能力差。为了解决这些问题，本研究提出了一种基于深度学习的新型框架——时间滤波器网络（TFN），用于鲁棒的NOx排放预测。这种人工智能方法首先采用变分模态分解（VMD）算法，有效抑制原始传感器数据中的高频噪声和异常值。随后，时空构建模块（STCM）将数据分割成不重叠的块，并构建时空图以捕获局部和全局依赖关系。基于该图，特定于块的滤波模块（PSFM）利用专家混合机制自适应地过滤掉冗余或不相关的信息，仅保留最具信息量的时间、空间和时空特征。最后，自适应图学习模块（AGLM）通过学习时变依赖关系和时间分布变化动态调整图拓扑结构，提高了模型在不同运行条件下的泛化能力。在燃煤公用事业锅炉数据集上进行验证后，TFN在测试集上取得了最先进的准确率，优于八个基线模型。此外，TFN在不同输入长度、负载条件、 partitioning策略和领域外场景下仍保持高准确率，同时支持精确的多步预测。这些结果证实了TFN在智能排放控制系统中的强大泛化能力和实际价值。

**引言**

在全球气候变化和空气污染的双重压力下，氮氧化物（NOx）排放已成为导致环境退化和生态危害的重要因素（Xuan, 2024）。作为主要能源供应来源的燃煤电厂排放大量的NOx，严重降低了空气质量，导致酸雨、光化学烟雾和臭氧污染，从而对人类健康和生态系统构成威胁。为应对这些挑战，世界各国政府实施了严格的排放法规。例如，中国的最新环境政策要求到2025年NOx总排放量比2020年水平减少10%（Xu et al., 2025; Zeng et al., 2021）。因此，优化燃煤电厂中的NOx控制技术，特别是通过选择性催化还原（SCR）系统的精准控制，已成为满足日益严格环境标准的关键研究焦点。

与此同时，全球工业化和城市化的加速推动了能源需求的持续增长。化石燃料目前供应了全球80%以上的初级能源，其中煤炭占35.5%（联合国气候变化框架公约, 2007）。尽管可再生能源技术不断进步，其在能源结构中的份额也在增加，但其固有的间歇性和波动性仍然对电网稳定性构成重大挑战。国际可再生能源机构预测，到2030年可再生能源将占全球能源的28%，到2050年这一比例将增加到66%（国际可再生能源机构（IRENA），2019）。在此背景下，用于热能发电的深度削峰技术已成为提高电网灵活性和稳定性的关键措施（Li et al., 2025a; Zhu et al., 2024; Yu et al., 2025）。为了适应可再生能源比例的快速增长，燃煤电厂不仅需要保持稳定的超低负荷运行，还需要在深度削峰条件下实现高经济效益和环境性能。深度削峰通常还伴随着面向灵活性的改造和对单元级控制策略的修订，包括燃烧器和磨机调度、空气-燃料协调、坡度率控制和低负荷稳定等。这些干预措施扩大了单元的运行范围，改变了过程变量的分布及其动态耦合关系。类似的变化也可能出现在为更宽负载范围、更快坡度和更协调的多目标控制而设计的下一代燃煤单元中。因此，在传统稳态条件下收集的运行数据可能不再能够充分代表灵活运行期间遇到的运行状态。

在这种情况下，在深度削峰条件下运行的热能单元必须承受频繁的负荷波动和超低负荷运行，这对运行安全和稳定性提出了更高的要求。同时，燃煤锅炉在频繁的负荷变化下常常会导致SCR反应器入口处的NOx浓度剧烈波动，而低负荷运行通常会影响正常的NOx排放水平（Okeleye）。这些运行挑战凸显了SCR脱硝系统中有效控制解决方案的迫切需求。具体而言，这类系统依赖于反应器出口处NOx浓度的实时反馈，以便通过精确调节还原剂（如NH3）的注入来实现高效的NOx减少（Locci et al., 2018）。因此，这种控制机制将NH3剂量确定为关键的操作参数：过量注入会导致氨滑移、空气预热器堵塞和环境污染，而剂量不足则会降低NOx去除效率并导致排放超标。此外，当前的NH3剂量策略主要依赖于连续排放监测系统（CEMS）的实时数据。然而，这些系统在恶劣的工业环境中会因传感器老化而逐渐失去准确性，影响长期监测的可靠性。更复杂的是，过量的NH3与SO3发生放热反应，形成硫酸氢铵（NH4HSO4，ABS）（Igbafe, 2007; Shi et al., 2016）。液体ABS沉积物通过化学毒化腐蚀催化剂表面并在空气预热器中积聚，加速设备退化和运行故障。因此，开发SCR入口NOx浓度的预测模型、增强锅炉性能监测以及制定自适应控制策略对于应对这些多尺度挑战变得至关重要。从工业角度来看，当直接测量延迟、退化或暂时不可用时，准确的动态NOx预测模型可以作为软件传感器。它可以在负荷快速变化期间提供有关NOx变化的预先信息，从而支持燃烧状态监测、早期预警排放超标以及更精确的NH3注入调节。这样的预测信息对于减少过量氨滑移、防止排放超标以及提高燃煤单元在灵活运行下的运行安全和效率也具有价值。

目前，有两种主要方法用于预测SCR入口NOx浓度：基于机制的建模和基于数据的建模。然而，每种方法都有一定的局限性。基于机制的建模通常依赖于计算流体动力学（CFD）软件来模拟燃煤锅炉中NOx的生成。虽然这种方法可以阐明并捕捉燃烧过程中的许多物理和化学变化，但其建模过程复杂，包括热传递、燃烧动力学、湍流等因素（Yu et al., 2019a; Bastiaans）。因此，为了简化系统，研究人员经常对燃烧环境做出假设，这可能会影响模拟结果的准确性。此外，高质量的模拟需要几周的迭代计算才能获得一组可靠的工作条件，而获得多组数据可能需要几个月的时间（Jin et al., 2023）。因此，基于机制的建模无法实现SCR入口NOx浓度的实时和精确预测。此外，煤炭质量参数是燃烧模拟中的重要输入变量，但大多数燃煤锅炉目前都没有在线煤炭质量监测系统。这一差距阻碍了煤炭质量动态变化的及时捕捉，进一步限制了该方法的应用。

基于数据的建模方法涉及分析电站分布式控制系统（DCS）记录的运行数据，以建立运行变量和目标变量（如NOx浓度）之间的映射关系。与基于机制的建模相比，这种方法通常在模型训练后几毫秒内就能进行预测，无需求解复杂的物理和化学方程。它还提供了较高的实时响应性和预测可靠性。现有研究使用了支持向量机（SVM）（Lv et al., 2013; Zhou et al., 2012; Tan et al., 2018）、极端学习机（ELM）（Ouyang et al., 2020; Baran, 2019）、反向传播神经网络（BPNN）（Zheng et al., 2008; Song et al., 2017）、Light Gradient-Boosting Machines（LightGBM）（Zhu et al., 2023）和Boltzmann机器（Fan et al., 2019）等机器学习模型来预测NOx浓度，取得了准确的结果。然而，这些方法主要构建时间点之间的静态映射关系，适用于单元运行稳定且数据丰富的场景。相比之下，它们难以准确捕捉在燃烧参数频繁波动和需要动态响应的条件下NOx生成的动态特征，如深度削峰条件所示。这限制了其在实时控制和监测中的应用。

近年来，随着计算资源的快速发展，深度学习已成为传统机器学习的重要扩展。它通过多层特征提取有效地捕捉复杂动态环境中的非线性关系和时间依赖关系，特别是引入了深度卷积神经网络（Verma et al., 2024）。这些不仅提高了时间特征的提取能力，还显著提高了目标变量预测的准确性。多项研究采用了深度学习模型来预测NOx排放。例如，Li等人（Li and Hu, 2020）使用一维卷积神经网络（1D-CNN）构建了燃煤锅炉氮氧化物排放的预测模型，而Tan等人（2019）开发了基于长短期记忆网络（LSTM）的单步预测模型。此外，Wang等人（2022）提出了一种结合完整集经验模态分解与自适应噪声（CEEMDAN）和LSTM的混合模型进行NOx排放预测。在另一项研究中，Wang等人进一步将深度学习模型与Kolmogorov–Arnold网络（KANs）结合，构建了一个用于660 MW燃煤锅炉NOx生成浓度的动态预测框架，其中利用深度学习架构提取的时间特征增强了KAN的非线性建模能力（Wang et al., 2025）。此外，还有研究基于双向门控循环单元（BiGRU）开发了一个时间序列预测框架，通过最大信息系数（MIC）确定最佳时间延迟组合，并采用Tsfresh基特征提取和特征子集选择等技术来提高燃煤锅炉NOx浓度预测的准确性（Yang et al., 2026）。尽管使用深度学习模型在预测NOx浓度方面取得了显著进展，但在预测框架内有效管理模型通道间的信息流仍然是一个关键挑战。Wang的研究（Wang et al., 2024）指出，CNN中的归一化层可能在训练过程中导致通道抑制，其中大多数通道特征值趋于零，阻碍了有价值特征的学习并导致通道崩溃，从而严重影响模型的泛化能力。因此，本文将进一步探讨这个问题，这对于提高NOx排放预测模型的鲁棒性和适用性至关重要。

总体而言，在多变量时间序列建模中，如何有效处理不同通道之间的信息传输和交互一直是影响预测性能的关键问题。现有的研究主要遵循两种主流策略：通道独立性（CI）和通道依赖性（CD）（Han et al., 2024a; Qiu et al., 2025; Wen et al., 2024）。CI将多变量时间序列视为一组独立的单变量序列，并通过共享参数或单独建模从每个通道提取时间模式。DLinear（Su, 2022）和PatchTST（Huang et al., 2024）等方法在长期预测任务中表现强劲。相比之下，CD联合建模所有通道的历史信息以捕捉复杂的变量间依赖关系。代表性模型包括LSTNet（Li and Tao, 2026）、MTGNN（Mo et al., 2025）、Crossformer（Liang et al., 2024a）和TSMixer（Lee and Jeong, 2025）。直观上，CD应该提供更强的表示能力，因为它使用了更丰富的协变量信息，而CI忽略了来自其他通道的辅助信息，因此可能显得表达能力较弱。然而，最近的研究表明，CI在多个多变量时间序列预测基准测试中始终优于CD（Kim et al., 2025）。这一结果表明，更强的通道依赖性建模并不总是能提高性能。相反，实际数据中的分布变化和通道异质性在很大程度上决定了跨通道建模是否真正有帮助。

从机制角度来看，CI和CD反映了模型容量和鲁棒性之间的权衡。CD通过联合建模所有通道来增加模型容量，原则上可以更全面地描述跨通道依赖性。然而，当通道显示出弱相关性、不稳定的依赖结构或噪声和冗余变量时，全局交互可能会引入无关的跨通道噪声，干扰关键特征提取并降低泛化能力。相比之下，CI忽略了通道关系，并牺牲了部分跨通道表示能力，但在分布变化下通常表现出更强的鲁棒性。Han等人（2024b）进一步表明，单个通道的自相关函数（ACFs）在训练阶段和测试阶段之间可能有显著差异。因为CI更多依赖于各个通道之间的平均统计模式，所以它比CD更能抵抗由非平稳性引起的性能下降，而CD则更依赖于对特定通道的细致依赖结构。因此，CI的成功并不意味着通道之间的关系无关紧要。相反，它表明在分布偏移的情况下，无差别地建模通道依赖关系可能会产生负面影响。为了平衡表示能力和鲁棒性，最近的研究开始探索CI和CD之间的折中策略。第一类方法执行通道混合或特征混合。这些方法在嵌入或特征提取过程中直接耦合所有通道的信息，以学习更复杂的跨通道表示（Ma等人，2025年；Fan等人，2025年；Kong等人，2024年）。例如，有些方法在每个时间步将所有变量合并成一个单一的标记，而其他方法使用多层感知器（MLPs）、注意力机制或状态空间模块来混合所有通道的特征。然而，这些方法通常不显式控制通道交互的范围或粒度，因此无法灵活地模拟不同时间尺度上的依赖关系。当变量之间的相关性较低时，直接混合还可能引入无关噪声，并削弱模型识别高质量单通道特征的能力。第二类方法执行通道分组或通道聚类。这些方法根据相关性、欧几里得距离或序列形状相似性将通道分成几个组，在每个组内应用CD，并在组间应用CI，以减少弱相关通道之间的直接干扰（Chen等人，2024年）。尽管这些方法在一定程度上改善了交互能力和鲁棒性之间的平衡，但它们仍然依赖于静态分组。换句话说，它们假设通道依赖结构在相对较长的时间内保持稳定。然而，在实践中，基于相似性的固定分组可能会重复建模组间的共有特征，产生冗余的表示，并无法捕捉到复杂系统中跨通道依赖关系随时间和系统状态连续演变的事实。

同时，通道选择进一步表明，在建模过程中并非所有通道都应受到平等对待。现有研究表明，多变量时间序列模型的计算成本通常会随着通道数量的增加而迅速增加，而并非每个通道都对目标任务有贡献。有些通道可能与任务相关性较弱，而其他通道提供的信息可能与其他变量大量重复（Vaswani等人，2017a年；Zhao和Shen，2024年；Qiu等人，2024年）。因此，移除无关或冗余的通道可以提高训练和推理效率，增强模型的可解释性，并减少不必要的计算成本。然而，现有的通道选择方法要么依赖于昂贵的组合搜索，要么与特定的模型结构紧密结合，这限制了它们在复杂工业场景中的通用性和可转移性。更重要的是，传统的通道选择主要关注是否应该保留某个通道，但很少考虑在什么操作条件下以及以何种方式该通道应与其他通道交互。对于高度非平稳的工业过程来说，关键问题不仅在于选择保留哪些变量，还在于动态决定哪些变量应该形成依赖关系以及哪些依赖关系应该被抑制。

在基于机器学习的NOx预测中，异常分布（OOD）条件指的是输入变量的联合分布、这些变量的时间模式或操作变量与NOx浓度之间的映射与训练数据中所代表的存在显著差异的操作状态。对于整个燃煤电厂来说，OOD应该被理解为锅炉-涡轮机-SCR系统操作制度的协调性变化，而不仅仅是孤立的在传感器读数异常。典型的OOD条件可能包括超低负荷运行、快速负荷变动、燃烧器或磨机的组合变化、空气-燃料分配的变化、煤质变化、设备改造以及控制逻辑的更改。在深度削峰期间，这些因素不断改变操作变量的分布及其之间的依赖关系。这样的变化可能导致协变量偏移，即输入分布发生变化，以及概念偏移，即锅炉操作变量与NOx生成之间的关系发生变化。因此，主要基于常规稳态数据训练的模型在这些操作条件下使用时可能会显著降低预测精度。现有研究表明，在不同操作条件下进行单独的特征选择和建模可以比统一建模在所有条件下获得更好的预测性能（Zhu等人，2023年）。这一发现表明，工业过程中的通道相关结构并不固定，而是随着操作条件的变化而动态演变。在这种设置下，传统的CI策略可能会忽略变量间的关键协作信息，而全局CD策略或静态聚类策略在条件转换期间可能会编码无效或弱的依赖关系，从而引入额外的噪声并降低泛化性能。因此，当前研究的核心挑战不再仅仅是简单地在CI和CD之间做出选择。相反，研究者需要为多操作条件下的非平稳工业过程构建一个动态建模机制，以便模型能够自适应地分配通道交互强度，抑制无关依赖关系，并保留关键的协作关系。现有的研究尚未完全解决这个问题，这正是本文研究的动机。

为了应对深度削峰期间动态系统状态引起的时变相关性难题，本文提出了一种基于自适应细粒度依赖建模的时间滤波网络（TFN）。现有的多变量预测方法通常遵循通道独立性或通道依赖性策略。基于CI的方法通过分别建模每个通道来提高鲁棒性，但常常忽略有用的变量间交互。相比之下，基于CD的方法能够捕捉跨通道依赖关系，但在非平稳的工业条件下可能会引入冗余或不稳定的相关性。此外，现有的通道聚类方法通常依赖于静态分组，这使得难以建模复杂工业系统中不断演变的依赖结构。为了克服这些限制，TFN引入了三个关键的设计组件。首先，TFN将输入序列划分为不重叠的片段，并通过时空构建模块（STCM）基于这些片段之间的关系构建时空图。这种设计使得与传统的固定分组策略相比，能够对动态依赖关系进行更细粒度的建模。其次，片段特定过滤模块（PSFM）采用专家混合（MOE）机制来动态选择和保留关键相关性，同时抑制无关依赖关系。这种机制有助于减轻无差别通道依赖建模引起的不稳定性，并提高模型在异构时间模式和不同操作条件下的泛化能力。最后，自适应图学习模块（AGLM）动态调整图结构中的节点和边权重，以捕捉变量间的隐藏关系。这种自适应学习机制使模型能够更好地表示演变的系统状态并产生更准确的预测结果。

本文的其余部分组织如下：第2节介绍了TFN模型的详细设计和框架。第3节描述了建模目标和数据特征。第4节报告了实验设置和性能分析。第5节总结了本文并讨论了未来的研究方向。

**我们的工作**
本文的流程图详细如图1所示。第一部分包括数据采集和预处理过程：首先，从电厂锅炉收集实际的历史运行数据。然后，使用VMD算法对锅炉数据进行去噪处理。最后，选择两个运行数据片段D1和D2作为模型输入。第二部分包括动态建模和验证：分析和比较不同预测方法之间的性能差异。

**锅炉系统**
研究的系统是由上海锅炉厂有限公司制造的660 MW超临界一次通过式粉煤燃烧公用锅炉，专为淮南烟煤设计，如图3和图4所示。该锅炉配备了低NOx同轴燃烧系统和六个中速煤磨机，使用直接燃烧加压一次风系统。炉膛尺寸为18.82米×18.14米×64.65米，周围有六层直流煤燃烧器（A-F）。

**数据预处理结果分析**
为了评估VMD算法在去除高频噪声的同时保留关键信号特征的能力，本研究比较了原始数据和VMD去噪后的六个关键参数的迹线——氧含量、总煤量、总风量、一次风压、给水流量和NOx浓度（蓝线表示原始数据；红线表示去噪结果）。如图5所示，VMD算法提取了每个变量的主导趋势，并显著减少了随机波动。

**讨论**
在本节中，简要讨论了TFN的可解释性、实际应用、局限性和未来发展。模块化结构提供了一定程度的可解释性，因为STCM捕获了时空依赖关系，PSFM抑制了冗余信息，AGLM根据变化的操作条件调整了依赖结构。然而，TFN仍然包含几个可能需要进一步调整的超参数，尤其是在应用于不同的数据集或电厂时。

**结论**
本研究提出了一种TFN模型，用于在深度削峰条件下预测燃煤锅炉SCR入口处的NOx浓度。该框架包括改进的VMD用于数据去噪和三个核心模块（即STCM、PSFM、AGLM），以捕获时空依赖关系并过滤无关特征。

**主要结论如下：**
(1) 改进的VMD算法有效去除了锅炉运行数据中的高频噪声和异常值，如NOx浓度。

**作者贡献声明**
Zhu Yukun：撰写 - 审阅与编辑、撰写 - 原始草稿、软件、方法论、调查、概念化。
Yu Cong：撰写 - 审阅与编辑、监督、资源获取、概念化。
Hu Xiaoli：撰写 - 审阅与编辑、软件。
Liu Xia：撰写 - 审阅与编辑、软件。
Shi Ling：撰写 - 审阅与编辑、验证。
Fan Wei：撰写 - 审阅与编辑、验证。
Yu Haiquan：撰写 - 审阅与编辑、可视化。
Wang Shuxian：撰写 -

**资助信息**
本研究得到了中国国家自然科学基金（编号52006090）、江苏省高等学校基金（编号25KJB470004和23KJD470005）以及湖北省科技计划（编号2025CSA085）的支持。

**利益冲突声明**
我代表我的合作者和我自己声明，我们没有任何可能代表利益冲突的商业或关联利益。

**致谢**
本研究得到了中国国家自然科学基金（编号52006090）、湖北省科技计划（编号2025CSA085）以及江苏省高等学校基金（编号25KJB470004和25KJD470005）的支持。

**作者名单**
Zhu Yukun | Yu Cong | Hu Xiaoli | Liu Xia | Shi Ling | Fan Wei | Yu Haiquan | Wang Shuxian
中国武汉江汉大学智能制造学院，430056