Для удовлетворения высоких требований системы селективного каталитического восстановления (selective catalytic reduction, SCR) по прогнозированию массовой концентрации оксидов азота (NO_x) в угольных энергетических установках был разработан и предложен метод мягкого измерения и развертывания, сочетающий высокую точность и низкую задержку. На основе более чем 110 тысяч наборов высокоразмерных эксплуатационных данных угольной установки мощностью 660 МВт на единой платформе проведено систематическое сравнение двух моделей: глубокого обучения (deep learning, DL) и XGBoost (extreme gradient boosting). Использовалась временная перекрестная проверка в сочетании с поиском по сетке для оптимизации гиперпараметров моделей, а комплексная оценка проводилась по точности прогнозов, вычислительной эффективности и интерпретируемости. На этой основе предложена стратегия совместного развертывания «пограничный — встраиваемый», при которой модель DL разворачивается на краевом сервере для получения высокоточных прогнозов, а модель XGBoost интегрирована в распределённую систему управления (distributed control system, DCS) для обеспечения оперативности. Результаты показали, что модель DL превосходит по динамическому отклику и точности прогноза: среднеквадратичная ошибка на тестовом наборе снижена примерно на 10% по сравнению с моделью XGBoost, при этом модель DL сохраняет стабильность при резких колебаниях режимов; анализ важности переменных выявил, что содержание кислорода в дымовых газах, температура стенок горелки и общий расход воздуха являются основными факторами, влияющими на образование NO_x. Предложенная архитектура совместного развертывания теоретически позволяет реализовать миллисекундные выводы и обладает возможностью автономного отказоустойчивого режима.

прогнозирование массовой концентрации NO_x;глубокое обучение;важность переменных;пограничные вычисления;развертывание модели