基于机器学习的燃煤电厂SO<sub>2</sub>与NO<sub>x</sub>排放预测研究进展

王嘉雨; 程芳琴; 张圆圆; 乔磊磊; 贾阳杰; 张帆; 杨凤玲

doi:10.13357/j.dlxb.2025.027

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于机器学习的燃煤电厂SO₂与NO_x排放预测研究进展

更新时间：2025-12-21

- 基于机器学习的燃煤电厂SO₂与NO_x排放预测研究进展
- Journal of Electric Power Vol. 40, Issue 4, Pages: 248-259(2025)
- 作者机构：
  
  1. 山西大学资源与环境工程研究所
  2. 山西省黄河实验室
  3. 山西国锦煤电有限公司
- 作者简介：
- 基金信息：
- DOI：10.13357/j.dlxb.2025.027
  CLC： TP181;X773
- Published：2025
- 稿件说明：
移动端阅览
王嘉雨, 程芳琴, 张圆圆, et al. 基于机器学习的燃煤电厂SO₂与NO_x排放预测研究进展[J]. Journal of Electric Power, 2025, 40(4): 248-259.
DOI：

王嘉雨, 程芳琴, 张圆圆, et al. 基于机器学习的燃煤电厂SO₂与NO_x排放预测研究进展[J]. Journal of Electric Power, 2025, 40(4): 248-259. DOI： 10.13357/j.dlxb.2025.027.

摘要

燃煤电厂污染物排放控制是电力行业实现绿色发展的关键环节。本文旨在系统梳理机器学习技术在燃煤电厂SO

和NO

浓度预测领域的研究进展，分析现有技术路线及其应用效果，为该领域的后续研究提供参考。通过文献调研方法，收集整理国内、外近年来的相关研究成果，重点分析机器学习在污染物排放预测中的两类主要应用范式：模式识别模型（用于污染物分类与特征提取）和回归模型（用于排放浓度精确预测）。同时考察不同算法（如支持向量机、随机森林、深度学习等）在实际工程中的应用效果及适用条件。研究发现，模式识别模型在污染物类型识别方面表现出色（分类准确率普遍超过90%），而回归模型则更适用于动态工况下的浓度预测（误差可控制在5%以内）。集成学习和深度学习方法的引入显著提升了煤电污染物排放预测性能，但在数据质量、计算成本和模型可解释性等方面仍存在挑战。机器学习为燃煤电厂污染物排放预测提供了有效技术支持，但其在实际应用中仍需解决数据采集、模型泛化和工程适配性等问题。未来研究应关注多模态数据融合、小样本学习方法及数字孪生技术的结合，以推动该领域从理论研究向工程化应用的深化发展。

Abstract

关键词

Keywords

references

范海东.燃煤机组超低排放智能调控系统研究及工业验证[D].浙江大学,2022(02).

马永涛.数据驱动的燃煤电厂脱硫脱硝系统多目标优化研究[D].浙江大学,2023(01).

杨坤.基于MSVL的神经网络模型性质验证框架的研究[D].西安电子科技大学,2020(05).

Peng Tan,Ji Xia,Cheng Zhang,Qingyan Fang,Gang Chen.Modeling and Optimization of NO X Emission in a Coal-fired Power Plant using Advanced Machine Learning Methods[J].Energy Procedia,2014.

You Lv,Jizhen Liu,Tingting Yang,Deliang Zeng.A novel least squares support vector machine ensemble model for NO x emission prediction of a coal-fired boiler[J].Energy,2013.

Fang Wang,Suxia Ma,He Wang,Yaodong Li,Zhiguo Qin,Junjie Zhang.A hybrid model integrating improved flower pollination algorithm-based feature selection and improved random forest for NO X emission estimation of coal-fired power plants[J].Measurement,2018.

Nazri Mohd Nawi,Walid Hasen Atomi,M.Z. Rehman.The Effect of Data Pre-processing on Optimized Training of Artificial Neural Networks[J].Procedia Technology,2013.

Jan Janoušek,Petr Gajdoš,Pavel Dohnálek,Michal Radecký.Towards power plant output modelling and optimization using parallel Regression Random Forest[J].Swarm and Evolutionary Computation,2016.

雒青,王伟,范庆伟,徐晨.火电机组快速变负荷的锅炉动态响应分析[J].热能动力工程,2019(06).

刘崇阳,刘勤让.一种神经网络模型剪枝后泛化能力的验证方法[J].计算机工程,2019(10).

唐文虎,牛哲文,赵柏宁,季天瑶,李梦诗,吴青华.数据驱动的人工智能技术在电力设备状态分析中的研究与应用[J].高电压技术,2020(09).

马双忱,林宸雨,周权,吴忠胜,刘琦,陈文通,樊帅军,要亚坤,马采妮.基于深度神经网络的脱硫系统预测模型及应用[J].化工进展,2021(03).

王鹏程,邓博宇,蔡晋,王珂,孔皓,李丽锋,张缦,杨海瑞.超临界循环流化床锅炉深度调峰技术难点及控制策略[J].中国电力,2021(05).

郑必君,金宏伟,孟瑜炜,张震伟,杨勤.改进型LSTM实现燃煤电厂脱硝预警及优化[J].能源工程,2021(02).

邢波涛,乔源,赵文杰.基于改进NARX-DMC的SCR脱硝控制策略[J].华北电力大学学报(自然科学版),2020(06).

王祎,贾文雅,尹雪婷,张亮明,白艳明.人工神经网络的发展及展望[J].智能城市,2021(08).

刘华军,石印,郭立祥,乔列成.新时代的中国能源革命：历程、成就与展望[J].管理世界,2022(07).

柳玉宾,孙思宇,张军涛,于成琪,马汇东.基于深度学习算法电厂运行优化策略分析[J].应用能源技术,2021(01).

肖祥武,李志金,舒畅,周宏贵,王鹏浩.基于信息物理融合和XGBoost-MPGA算法的燃煤电厂脱硫系统运行优化[J].中国电机工程学报,2022(14).

王瑞林,孙杰,洪慧.可再生能源与燃煤发电集成互补系统综述[J].洁净煤技术,2022(11).

朱法华,徐静馨,王圣,张乾,许月阳,李小龙.中国燃煤电厂大气污染物治理历程及展望[J].电力科技与环保,2023(05).

赵腾,郑雅楠,李庚银.煤电灵活性改造精细化建模及电力、热力生产模拟研究[J].中国能源,2022(07).

李炳楠,朱峰,梁正玉,吴振龙.基于改进自抗扰控制和数据驱动的脱硝系统设计及应用[J].控制理论与应用,2023(06).

马永涛,邢江宽,罗坤,樊建人.数据驱动的燃煤电厂脱硫系统多目标优化[J].能源工程,2024(01).

冯志强,李磊,邓卫梅,杜伟,李川.基于PSO-PNN的燃煤电站SCR脱硝系统数据预处理算法研究[J].电工技术,2023(05).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于热力学原理的锅炉CO₂排放量计算方法研究

神经网络模糊控制在烟叶发酵过程中的应用

神经网络在故障诊断中的应用

食用酒精发酵温度模糊控制

神经网络短期负荷预报模糊化改进

Related Author

王美旭

崔晓辉

邵云昶

邢路阳

韩健龙

孙海波

张健

王术力

Related Institution

北京中电长峰节能科技有限公司

国家电投内蒙古公司

内蒙古大板发电有限责任公司

太原理工大学

山西大学物理电子工程学院太原铁路分局通信段

AI问答

⁰

基于机器学习的燃煤电厂SO2与NOx排放预测研究进展

DOI：10.13357/j.dlxb.2025.027

摘要

Abstract

关键词

Keywords

references

基于机器学习的燃煤电厂SO₂与NO_x排放预测研究进展