Lors du processus de régulation en profondeur, la chaudière à lit fluidisé circulant au charbon (CFB) est confrontée à des concentrations massiques élevées d'émissions de CO ainsi qu'à un manque d'orientation théorique concernant la réduction synergique des émissions avec divers polluants tels que NOx et SO2. En prenant comme objet d'étude une chaudière CFB au charbon de 150 t/h, un modèle de prédiction rapide des concentrations massiques d'émissions de divers polluants (CO, NOx, SO2) à la sortie de la chambre de combustion a été construit, basé sur un réseau de neurones à mémoire à long et court terme (LSTM), un mécanisme d'attention (Attention) et l'algorithme d'amélioration extrême du gradient (XGBoost). Un modèle d'optimisation en ligne de la réduction des émissions de CO a également été établi grâce à l'intégration de l'algorithme d'optimisation par essaim particulaire (PSO). 36 298 données opérationnelles réelles de 2023 ont été utilisées comme échantillons d'entraînement pour analyser la corrélation des émissions de polluants à la sortie de la chambre, sélectionner les paramètres d'entrée du modèle de prédiction et définir les fonctions d'adaptation et de limite. Par le calcul du modèle d'optimisation de la réduction des émissions, des stratégies d'optimisation en ligne pour la réduction des concentrations massiques de CO, NOx, SO2 dans différentes plages de charge des chaudières CFB ont été proposées et leur faisabilité dans l'application de l'optimisation en ligne réelle de la chaudière a été évaluée.

Chaudière CFB;réseau de neurones à mémoire à long et court terme;algorithme d'essaim particulaire;CO;réduction synergique des émissions