文章摘要:针对燃煤机组选择性催化还原（SCR）系统出口氮氧化物(NO_x)预测模型精度不高的问题，提出一种基于最大信息系数（MIC）和长短期记忆（LSTM）神经网络的预测模型方法。首先采用MIC估计各变量的延迟时间，对数据进行时延重构；然后采用重构后数据的MIC值作为评价各输入变量和输出变量间相关性大小的指标，并结合基于关联性的特征选择算法（CFS）进行输入变量筛选；最后基于时延重构和变量筛选后的数据，采用LSTM神经网络建立了SCR出口氮氧化物浓度动态预测模型。该模型被用于广东某320MW燃煤机组实际运行数据分析，结果表明，经过时延重构和变量筛选后所建立的LSTM预测模型具有较高精度，优于深度神经网络（DNN）模型和径向基函数（RBF）神经网络模型，平均绝对百分比误差达到2.58%，均方根误差达到2.02，可以满足现场运用要求。

文章关键词:

项目基金: