Stickoxide, die von Kohlekesseln im Wärmekraftwerk erzeugt werden, sind eine der Hauptquellen für Luftverschmutzung. Die Entwicklung eines effektiven Modells zur Vorhersage der Stickoxidemissionen ist entscheidend, um sie zu reduzieren. Angesichts der massiven Menge und Dimension der Daten des Leitsystems des Wärmekraftwerks und der multivariablen und multivariaten Merkmale des Kohlekessels beseitigt die Verwendung der Hauptkomponentenanalyse zur Extraktion von Merkmalen aus den verteilten Daten des Leitsystems des Wärmekraftwerks die Wechselbeziehungen zwischen den verschiedenen Variablen. Anschließend werden die extrahierten Merkmale als Eingabe für das LSTM-Neuronennetzwerk verwendet, um ein Modell zur Vorhersage der Stickoxidemissionen des Wärmekraftwerks zu erhalten. Die Ergebnisse zeigen, dass das LSTM-Neuronennetzwerk und das RNN-Modell das LSSVM-Modell in der Vorhersage übertreffen, wobei die Genauigkeit des in diesem Artikel vorgeschlagenen LSTM-Neuronennetzwerk bei 79% liegt und damit die beiden anderen Modelle in Bezug auf den mittleren quadratischen Fehler überschreitet.

Wärmekraftwerk; NOx-Emissionen; Vorhersagemodell; LSTM-Neuronennetzwerk; RNN; LSSVM; Hauptkomponentenanalyse; Merkmalsextraktion