La prédiction précise de la concentration massique des émissions de SO2 et de NOx peut efficacement guider le contrôle des émissions de polluants, ce qui est d'une grande importance pour le fonctionnement écologique des unités CFB. Une unité CFB de 330 MW a été prise comme sujet d'étude. Le coefficient de corrélation de Pearson a été utilisé pour la sélection des variables d'entrée, la méthode de l'étendue interquartile (IQR) a servi à filtrer et remplacer les valeurs aberrantes, et une normalisation a été réalisée pour compléter le prétraitement des données ; ensuite, un réseau neuronal convolutionnel (CNN) a extrait les caractéristiques des variables d'entrée, celles-ci ont été traitées par une unité récurrente à portes (GRU) pour les caractéristiques des séries temporelles, et un mécanisme d'attention multi-tête (MHA) a été introduit pour capturer les relations importantes entre les caractéristiques. Après l'entraînement, une dénormalisation a permis d'obtenir la sortie du modèle ; finalement, les résultats du jeu de test ont été évalués à l'aide de l'erreur absolue moyenne (MAE), de l'erreur absolue moyenne en pourcentage (MAPE) et du coefficient de détermination R2. Les résultats montrent que le modèle CNN-GRU-MHA peut prédire avec une assez bonne précision la concentration massique des émissions polluantes des unités CFB. Les expériences d'ablation et la comparaison des modèles ont démontré la supériorité de ce modèle. Le modèle CNN-GRU-MHA peut réaliser la surveillance et l'optimisation guidée de la concentration massique des émissions polluantes des unités CFB, permettant ainsi à la centrale électrique d'ajuster rapidement les paramètres d'exploitation pour assurer la conformité des émissions aux normes.

CFB;prévision des émissions polluantes;apprentissage profond;pilotage par les données