Mit zunehmender Nachfrage nach Betriebsflexibilität von Kraftwerkskesseln führt ein häufiger veränderter Lastbetrieb zu starken Schwankungen des Schadstoffgehalts und der Rauchgasparameter. Die Modellierung von Schlüsselparametern für einen einzelnen Schadstoff oder einen Rauchgasparameter kann den realen Anforderungen des Kraftwerks nicht mehr gerecht werden. Daher ist es notwendig, die Kopplung mehrerer Schlüsselparameter zur modellierten kollaborativen Prognose zu berücksichtigen. Basierend auf historischen Betriebsdaten von Kohlekraftwerken wird eine Merkmalsextraktion unter Verwendung einer Kernfunktion durchgeführt und eine gemeinsame Struktur harter Parameter aus einem Langzeitgedächtnis-Neuronennetzwerk für die mehrfache Prognosemodellierung aufgebaut. Dabei wird das Prognosemodell mithilfe des Unsicherheitsverlusts optimiert. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Prognosemodell unter veränderten Lastbedingungen eine hohe Prognosegenauigkeit aufweist und den mittleren quadratischen Fehler für Schlüsselparameter wie den Sauerstoffgehalt in den Rauchgasen am Ausgang des Luftvorwärmers, die Rauchgastemperatur, die massenkonzentration des Stickoxid NO_x am Ausgang des Brenners jeweils um 25,5 %, 41,8 % und 4,7 % senkt. Die vorgeschlagene Methode kann bei veränderlichen Lastbedingungen mehrere Schlüsselparameter der Kraftwerkskessel vorhersagen, zur Kontrolle der Verschmutzung beitragen und die Verbrennungseffizienz der Kraftwerke optimieren, sowie technische Unterstützung für den intelligenten Betrieb des Kraftwerks bieten.

coal-fired boiler;prediction model;LSTM neural network;multi-task learning;uncertainty loss