A previsão precisa da concentração em massa das emissões de SO2 e NOx pode orientar eficazmente o controle das emissões de poluentes, tendo grande importância para a operação ambiental das unidades CFB. Uma unidade CFB de 330 MW foi usada como objeto de estudo. O coeficiente de correlação de Pearson foi utilizado para seleção das variáveis de entrada, o método da amplitude interquartil (IQR) foi aplicado para filtrar e substituir valores atípicos, e a normalização foi realizada para completar o pré-processamento dos dados; em seguida, uma rede neural convolucional (CNN) extraiu características das variáveis de entrada, que foram processadas por uma unidade recorrente com portas (GRU) para características de série temporal, além de ter sido introduzido um mecanismo de atenção multi-cabeça (MHA) para capturar as relações importantes entre as características. Após o treinamento, a dessnormalização foi realizada para obter a saída do modelo; finalmente, os resultados do conjunto de teste foram avaliados utilizando o erro absoluto médio (MAE), o erro percentual absoluto médio (MAPE) e o coeficiente de determinação R2. Os resultados indicam que o modelo CNN-GRU-MHA pode prever com precisão relativa a concentração em massa das emissões de poluentes das unidades CFB. Experimentos de ablação e comparações de modelos comprovaram o desempenho superior deste modelo. O modelo CNN-GRU-MHA pode realizar o monitoramento e a orientação de otimização da concentração em massa das emissões de poluentes das unidades CFB, permitindo que a usina ajuste prontamente os parâmetros operacionais para garantir a conformidade das emissões.

CFB;previsão de emissões de poluentes;aprendizado profundo;orientado por dados