La predicción precisa de la concentración de masa de las emisiones de SO2 y NOx puede guiar eficazmente el control de las emisiones de contaminantes y tiene una gran importancia para la operación ambiental de las unidades CFB. Se tomó una unidad CFB de 330 MW como objeto de estudio. Se utilizó el coeficiente de correlación de Pearson para la selección de variables de entrada, se aplicó el método del rango intercuartílico (IQR) para filtrar y reemplazar valores atípicos, y se realizó una normalización para completar el preprocesamiento de datos; posteriormente, una red neuronal convolucional (CNN) extrajo las características de las variables de entrada, procesadas por una unidad recurrente con compuertas (GRU) para las características de series temporales, y se incorporó un mecanismo de atención multi-cabeza (MHA) para captar las relaciones importantes entre las características. Tras el entrenamiento, se realizó una desnormalización para obtener la salida del modelo; finalmente, los resultados del conjunto de prueba se evaluaron mediante el error absoluto medio (MAE), el error absoluto porcentual medio (MAPE) y el coeficiente de determinación R2. Los resultados indican que el modelo CNN-GRU-MHA puede predecir con bastante precisión la concentración de masa de las emisiones contaminantes de las unidades CFB. Los experimentos de ablación y la comparación con otros modelos demostraron el rendimiento superior de este modelo. El modelo CNN-GRU-MHA puede lograr la monitorización y la guía de optimización de la concentración de masa de las emisiones contaminantes de las unidades CFB, permitiendo que la planta eléctrica ajuste oportunamente los parámetros de operación para asegurar que las emisiones cumplan con los estándares.

CFB;predicción de emisiones contaminantes;aprendizaje profundo;impulsado por datos