首页|基于LSTM-SAFCN模型的生物质锅炉NOx排放浓度预测

基于LSTM-SAFCN模型的生物质锅炉NOx排放浓度预测

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
针对生物质锅炉燃烧过程的动态特性,提出一种改进的长短期记忆-自注意力机制全卷积神经网络(LSTM-SAFCN)模型用于预测NOx排放浓度.首先利用完全自适应噪声集合经验模态分解法(CEEMDAN)对数据进行预处理,消除数据噪声对NOx排放浓度预测的影响;其次融合自注意力机制与长短时记忆-全卷积神经网络(LSTM-FCN)进行特征提取与预测建模,该拓展方法能够同时兼顾时间序列数据的局部细节与长期趋势特征;最后,利用生物质热电联产系统的实际运行数据验证了所提算法的有效性.
LSTM-SAFCN model based NOx emission prediction for biomass boilers
In view of the dynamic characteristics of the biomass boiler combustion process,this paper proposes a long short-term memory-self attention fully convolutional network(LSTM-SAFCN)to predict NOx emission.Firstly,a complete ensemble empirical mode decomposition with adaptive noise(CEEMDAN)is applied to preprocess the noise existing in input data.Secondly,the long short-term memory fully convolutional network(LSTM-FCN)is combined with self-attention method for feature extraction and prediction modeling,which takes both the local de-tails of series data and long-term prediction tendency into account.Finally,the effectiveness of the proposed algo-rithm is verified on a biomass cogeneration system.

biomass boilerNOx emission predictionempirical mode decompositionlong short-term memo-ry fully convolutional network(LSTM-FCN)self-attention mechanism

何德峰、刘明裕、孙芷菲、王秀丽、李廉明

展开 >

浙江工业大学信息工程学院 杭州 310023

嘉兴新嘉爱斯热电有限公司 嘉兴 314016

生物质锅炉 NOx排放浓度预测 经验模态分解 长短时记忆-全卷积神经网络(LSTM-FCN) 自注意力机制

浙江省重点研发计划

2021C03164

2024

10.3772/j.issn.1002-0470.2024.01.010

高技术通讯
中国科学技术信息研究所

高技术通讯

CSTPCD北大核心
影响因子：0.19
ISSN：1002-0470
年,卷(期)：2024.34(1)
  • 2