Die präzise Vorhersage der Massenkonzentration von SO2- und NOx-Emissionen kann effektiv die Kontrolle der Schadstoffemissionen steuern und ist von großer Bedeutung für den umweltfreundlichen Betrieb von CFB-Anlagen. Als Untersuchungsobjekt wurde eine 330 MW CFB-Anlage gewählt. Der Pearson-Korrelationskoeffizient wurde zur Auswahl der Eingangsvariablen verwendet, die Interquartilsabstand-Methode (IQR) filterte und ersetzte Ausreißer, gleichzeitig erfolgte eine Normalisierung zur Datenvorverarbeitung; anschließend extrahierte ein Convolutional Neural Network (CNN) Merkmale der Eingangsvariablen, diese wurden durch eine Gated Recurrent Unit (GRU) zur Verarbeitung zeitlicher Merkmale geführt, und ein Multi-Head Attention (MHA) Mechanismus wurde eingeführt, um wichtige Beziehungen zwischen den Merkmalen zu erfassen. Nach dem Training wurde eine Rücknormalisierung durchgeführt, um das Modelloutput zu erhalten; schließlich wurden die Testergebnisse mit dem mittleren absoluten Fehler (MAE), dem mittleren absoluten prozentualen Fehler (MAPE) und dem Bestimmtheitsmaß R2 bewertet. Die Ergebnisse zeigen, dass das CNN-GRU-MHA-Modell die Massenkonzentration der Schadstoffemissionen einer CFB-Anlage relativ genau vorhersagen kann. Ablationsstudien und Modellvergleiche bestätigten die überlegene Leistung dieses Modells. Das CNN-GRU-MHA-Modell ermöglicht die Überwachung und optimierte Steuerung der Massenkonzentration von Schadstoffemissionen in CFB-Anlagen, sodass das Kraftwerk die Betriebsparameter rechtzeitig anpassen kann, um die Einhaltung der Emissionsstandards sicherzustellen.

CFB;Vorhersage der Schadstoffemissionen;Deep Learning;datengetrieben