Los procesos de conmutación flexibles de las centrales eléctricas de carbón a menudo presentan un fenómeno de retardo en la medición de NO_x, lo que hace que el sistema de control de la reducción catalítica selectiva (SCR) sea poco reactivo, lo que conduce fácilmente a una cantidad excesiva o insuficiente de amoníaco, lo que a su vez provoca una brusca fluctuación de la concentración de NO_x en la salida del reactor SCR y un aumento de la fuga de amoníaco. Para lograr un ajuste previo rápido de las válvulas de inyección de amoníaco y tener en cuenta los factores que afectan las emisiones de NO_x de las calderas de carbón, se propuso un modelo de predicción de la concentración de NO_x en la entrada del reactor SCR, basado en un modelo mixto utilizando redes neuronales convolucionales (CNN) y redes neuronales de memoria a corto y largo plazo (LSTM). Utilizando los parámetros de operación de una caldera de carbón de 330 MW, se calculó la correlación de Pearson entre las variables características, se seleccionaron las más fuertemente relacionadas, se definieron las matrices de entrada y salida del modelo, se realizó una búsqueda aleatoria para optimizar el rendimiento predictivo. Se utilizó el algoritmo SHAP para explicar el modelo de caja negra, y se confirmó la eficacia del control de predicciones mediante simulaciones de Simulink. Los resultados muestran que el modelo de predicción CNN-LSTM es capaz de predecir con gran precisión las variaciones de la concentración de NO_x en la entrada del reactor SCR cuando la carga pico varía, y proporcionar retroalimentación al sistema de control de inyección de amoníaco 25 segundos antes; la estrategia de control de inyección de amoníaco optimizada redujo la desviación estándar de la concentración de NO_x en la salida en comparación con el valor establecido (reducción del 28%) y mejoró la velocidad de respuesta NH_3/NO_x, reduciendo la cantidad máxima de fuga de amoníaco en un 22%. Los resultados de este estudio pueden ofrecer orientaciones eficaces para la tecnología SCR inteligente y la optimización de la combustión de grupos flexibles.

Predicción de NO_x; Central de carbón; modelo CNN-LSTM; SHAP; grupo flexible