Für das System der selektiven katalytischen Reduktion (SCR) in fossilen Kraftwerken, wegen der Vielzahl von Faktoren, die die Massenkonzentration von NOx am Eintritt beeinflussen, und der großen Verzögerungen im System, die es schwierig machen, die Massenkonzentration von NOx am Eintritt genau und rechtzeitig zu messen, wurde vorgeschlagen, den Algorithmus der maximalen Korrelation - minimalen Redundanz (mRMR) zusammen mit dem bayesianischen Optimierungsalgorithmus (BO) zur Optimierung des dynamischen Soft-Sensor-Modells für die Massenkonzentration von NOx im System der selektiven katalytischen Reduktion (SCR) zu verwenden. Für Probleme mit der Verringerung der Vorhersagegenauigkeit eines einzelnen statischen Modells während des dynamischen NOx-Bildungsprozesses und der Asynchronität von Hilfsvariablen mit der Massenkonzentration von NOx am Eintritt wurden mRMR-BO zur Auswahl von Hilfsvariablen, CE zur Bestimmung der Verzögerung von Hilfsvariablen und BO zur Bestimmung der Reihenfolge von Hilfsvariablen verwendet, und das dynamische Soft-Sensor-Modell im Stack-Verfahren unter Verwendung von Informationen über Verzögerung und Reihenfolge von Hilfsvariablen aufgebaut. Die Simulationsergebnisse zeigen: Integrierte Modelle zeigen gegenüber TCN- und LASSO-Netzwerken eine geringere mittlere quadratische Fehler, eine geringere mittlere absolute Fehler und eine geringere mittlere prozentuale Fehler; das dynamische integrierte Modell zeigt gegenüber dem statischen integrierten Modell eine höhere Vorhersagegenauigkeit und kann eine genaue Soft-Sensor-Messung der Massenkonzentration von NOx am Eintritt erreichen.

dynamische Modellierung von NOx; maximale Korrelation - minimale Redundanz; bayesianische Optimierung; integriertes Modell