Die flexiblen Umschaltprozesse von Kohlekraftwerken weisen häufig eine Verzögerung bei der Messung von NO_x auf, wodurch das selektive katalytische Reduktionssystem (SCR) unempfindlich wird und leicht zu einer übermäßigen oder unzureichenden Menge Ammoniak führen kann, was wiederum zu starken Schwankungen der NO_x-Konzentration am Auslass des SCR-Reaktors und einer erhöhten Ammoniakemission führen kann. Zur schnellen Vorabstimmung der Ammoniakinjektionsventile und Berücksichtigung von Faktoren, die sich auf die NO_x-Emissionen aus Kohlekesseln auswirken, wurde ein Modell zur Vorhersage der NO_x-Konzentration am Einlass des SCR-Reaktors vorgeschlagen, das auf einem gemischten Modell basiert, das auf Convolutional Neural Networks (CNN) und Long Short-Term Memory (LSTM) basiert. Unter Verwendung von Betriebsparametern eines 330 MW Kohlekessels wurde der Pearson-Korrelationskoeffizient zwischen den Merkmalsvariablen berechnet, die am stärksten miteinander verbundenen ausgewählt und die Eingabe- und Ausgabematrix des Modells definiert, um die Vorhersageleistung zu optimieren. Das SHAP-Algorithmus wurde zusätzlich verwendet, um das Black-Box-Modell zu erklären, und durch Simulink-Simulationen wurde die Kontrolleffektivität der Prognosen bestätigt. Die Ergebnisse zeigen, dass das CNN-LSTM-Vorhersagemodell die Änderungen der NO_x-Konzentration am Einlass des SCR-Reaktors bei variabler Spitzenlast mit hoher Genauigkeit vorhersagen und dem Ammoniakinjektionssystem 25 Sekunden im Voraus eine Rückmeldung geben kann. Die optimierte Ammoniak-Injektionsstrategie verringerte die Standardabweichung der NO_x-Konzentration am Ausgang im Vergleich zum Sollwert (Reduzierung um 28%) und verbesserte die Antwortgeschwindigkeit von NH_3/NO_x, wodurch die maximale Ammoniakemissionsmenge um 22% reduziert wurde. Die Ergebnisse dieser Studie können effektive Leitlinien für intelligente SCR-Technologie und Verbrennungsoptimierung für flexible Gruppen bieten.

NO_x-Vorhersage; Kohlekraftwerk; CNN-LSTM-Modell; SHAP; flexible Gruppe