基于LSTM的燃煤電廠NOx排量軟測量

1、PAGE PAGE - 17 -基于LSTM的燃煤電廠NOx排量軟測量摘要：燃煤電廠煤粉在燃燒過程中產(chǎn)生的有害氣體會對大氣環(huán)境造成污染，NOx為其中之一。針對燃煤電廠生產(chǎn)過程中NOx排放量測量成本高、過程復(fù)雜等問題，考慮到機組運行數(shù)據(jù)具有的時間序列特征，提出一種基于長短期記憶神經(jīng)網(wǎng)絡(luò)的軟測量方法對NOx排放量進行預(yù)測。在分析NOx產(chǎn)生機理的基礎(chǔ)上，利用來自陜西省榆林市某電廠2022年1月至6月的實際生產(chǎn)數(shù)據(jù)，初步選取與NOx排放量緊密相關(guān)的20個輔助變量;將數(shù)據(jù)進行預(yù)處理以消除粗大誤差和隨機誤差，并利用灰色關(guān)聯(lián)度分析進一步精選出15個輔助變量;將實際生產(chǎn)數(shù)據(jù)劃分訓(xùn)練集和測試及對LSTM模型進行

2、訓(xùn)練和測試，并將LSTM模型與BP神經(jīng)網(wǎng)絡(luò)模型和支持向量機模型的軟測量結(jié)果比較。結(jié)果表明：基于LSTM的測量方法均方誤差較基于BP神經(jīng)網(wǎng)絡(luò)與SVM的方法均有減小，說明該方法測量準確度較高，泛化能力更強。關(guān)鍵詞：NOx排放量;軟測量;長短期記憶網(wǎng)絡(luò);輔助變量;時間序列中圖分類號：TP29文獻標志碼：A文章編號：1672-9315（2022）02-0362-09DOI：10.13800/ki.xakjdxxb.2022.0222開放科學(xué)（資源服務(wù)）標識碼（OSID）：LSTM-basedsoftsensorofNOxemissionsfromcoal-firedpowerplantsPANHong

3、guang，PEIJiabao，SUTao，XINFangfang（CollegeofElectricalandControlEngineering，XianUniversityofScienceandTechnology，Xian710054，China）Abstract：Theharmfulgasesproducedbytheburningprocessofpulverizedcoalinthecoal-firedpowerplantswillpollutetheatmosphericenvironment，oneofwhichistheNOx.Withrespecttothehighco

4、st，complexprocessandotherproblemsofNOxemissionmeasurementduringtheproductionprocessofcoal-firedpowerplants，consideringthecharacteristicsoftimesequenceofgeneratingsetoperationdata，asoftmeasurementmethodbasedontheLongShort-TermMemoryneuralnetworkhasbeenproposedtopredicttheNOxemissions.Tobespecific，fir

5、stofall，byanalyzingtheproducingmechanismofNOx，the20auxiliaryvariablescloselyrelatedtoNOxemissionsarepreliminarilyselectedbasedontheactualproductiondatafromJanuarytoJune2022atapowerplantinYulincity，ShaanxiProvince.Secondly，thedataarepreprocessedtoeliminatethegrosserrorandrandomerror，andthe15auxiliary

6、variablesarefurtherselectedbyusingtheanalysisofgreycorrelationdegree.Finally，theactualproductiondataaredividedintothetrainingsetsandtests，andtheLSTMmodelsaretrainedandtested，andthenthesoftmeasurementresultsoftheLSTMmodel，BackPropagationneuralnetworkmodelandSupportVectorMachinemodelarecompared.Theres

7、ultsshowthatalltheMeanSquareErrorsofmeasurementmethodsbasedontheLSTMaresmallerthanthatofmeasurementmethodsbasedontheBPneuralnetworkandSVM，indicatingthatthismethodhashighermeasurementaccuracyandstrongergeneralizationability.Keywords：NOxemissions;soft-sensing;longshort-termmemory;auxiliaryvariables;ti

8、meseries0引言火力發(fā)電以煤電為主，燃煤電廠煤粉在燃燒過程中產(chǎn)生的有害氣體會對大氣環(huán)境造成污染。目前，燃煤電廠主要通過SCR（selectivecatalyticreduction，SCR）脫硝系統(tǒng)降低NOx排放量1，鍋爐燃燒工藝流程如圖1所示。為有效應(yīng)對NOx的排放，對其進行實時測量至關(guān)重要。NOx的排放量一般通過建立湍流模型2、氣固流動模型3等方式進行測量。目前，NOx排放量一般采用硬件傳感器或者分析儀，利用連續(xù)排放監(jiān)測系統(tǒng)（continuousemissionsmonitoringsystem，CEMS）進行實時測量。然而，CEMS在線測量NOx排放量時，投資成本過高、計算速度慢、

9、測量存在滯后性等缺點，難以滿足煙氣出口NOx排放量迅速、穩(wěn)定的監(jiān)測要求。對于復(fù)雜工業(yè)環(huán)境而言，在具體生產(chǎn)過程中受設(shè)備和技術(shù)因素的影響，往往導(dǎo)致有些關(guān)鍵變量測量誤差較大甚至難以測量。除此之外，某些設(shè)備測量的結(jié)果時間上存在滯后性無法實時指導(dǎo)生產(chǎn)活動，這就很難對生產(chǎn)活動進行實時控制。軟測量技術(shù)的發(fā)展正是為了解決這類質(zhì)量指標的實時測量和控制問題。軟測量技術(shù)主要依據(jù)工業(yè)生產(chǎn)過程中可測的輔助變量來實時估計待測的目標變量4。軟測量技術(shù)的基本過程如下：首先，通過對目標變量的分析，選擇與目標變量密切相關(guān)的易測量;其次，通過數(shù)據(jù)采集和預(yù)處理，確定數(shù)據(jù)的有效性后建模;最后，對模型進行分析確定其是否滿足實際生產(chǎn)需求。

10、大量的文獻表明，軟測量技術(shù)具有實際運用價值。GONZAGA等采用基于人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork，ANN）的軟測量方法對一個聚合過程的聚合物粘度進行估計，并將此估計結(jié)果成功應(yīng)用于伺服和調(diào)節(jié)問題，并使得工業(yè)裝置有效運行5。LI等提出一種利用靈敏度矩陣分析和核脊回歸（kernelridgeregression，KRR）實現(xiàn)蒸餾成分在線軟測量的組合軟測量傳感器，并在模擬精餾塔上的應(yīng)用表明該方法的有效性6。毛清華等針對采煤機機截割載荷難以直接測量的問題，采用基于ELM神經(jīng)網(wǎng)絡(luò)的軟測量方法建立采煤機機截割載荷軟測量模型，結(jié)果表明軟測量建模方法能夠?qū)崿F(xiàn)采煤機機截割載荷預(yù)測7

11、。由以上文獻研究和分析可知，軟測量技術(shù)在不同領(lǐng)域的實際應(yīng)用中，都取得相應(yīng)的成果，充分體現(xiàn)它自身所具有的優(yōu)勢。考慮到電站鍋爐具有大慣性、大滯后、時變和不確定性的特點，且各參數(shù)之間相互耦合，各個過程難以使用準確的數(shù)學(xué)模型來表征;同時，機組運行過程積累了大量數(shù)據(jù)，因此研究基于數(shù)據(jù)驅(qū)動的建模方法有望獲得有效的NOx排放量測量模型。近年來，研究人員提出很多方法用于分析鍋爐能效問題。例如MA等利用徑向基函數(shù)（radialbasisfunction，RBF）神經(jīng)網(wǎng)絡(luò)建立1000MW超超臨界機組模型來測量機組負荷、主蒸汽壓力和中間點溫度，獲得很好的效果，具有很強的實際工程意義8。GU等提出一種自適應(yīng)最小二乘支

12、持向量機（adaptiveleastsquaressupportvectormachine，ALS-SVM）算法，對鍋爐燃燒系統(tǒng)建模，結(jié)果表明該模型能夠很好反映鍋爐燃燒系統(tǒng)的時變特性9。李競岌等利用小型鼓泡流化床實驗臺比擬循環(huán)流化床（circulatingfluidizedbed，CFB）鍋爐密相區(qū)，在850床溫和10%O2濃度下，進行單顆粒焦炭的燃燒實驗，對不同床料粒度、制焦煤種、焦炭粒徑和流化風(fēng)速條件下焦炭氮向NOx的轉(zhuǎn)化比例進行研究10。王科等在鍋爐原始燃燒系統(tǒng)的基礎(chǔ)上調(diào)整二次風(fēng)配比并且引入燃盡風(fēng)（separatedover-fireair，SOFA），通過數(shù)值模擬的方法評估新型燃燒系統(tǒng)

13、在不同SOFA風(fēng)率和不同SOFA位置時的整體燃燒性能，結(jié)果表明SOFA參數(shù)對NOx排放和飛灰含碳量有影響11。這些文獻從不同方面分析鍋爐能效問題，說明研究基于數(shù)據(jù)驅(qū)動的NOx排放量測量的建模方法具有實際意義。鍋爐NOx排放量在數(shù)據(jù)上是一個非線性的時間序列，信息彼此間有著復(fù)雜的時間關(guān)聯(lián)性。目前，廣受關(guān)注的諸多深度學(xué)習(xí)方法，是一種能夠模擬出人腦的神經(jīng)結(jié)構(gòu)的機器學(xué)習(xí)方法，可以有效處理此處的非線性問題12。BP神經(jīng)網(wǎng)絡(luò)和長短期記憶（longshorttermmemory，LSTM）網(wǎng)絡(luò)就是其中的一部分。BP神經(jīng)網(wǎng)絡(luò)是一種經(jīng)典算法，它是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用較為廣泛的

14、神經(jīng)網(wǎng)絡(luò)。ZHOU等提出一種基于BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)卡爾曼濾波算法，分析吸煙者和非吸煙者呼出CO和N2O的濃度13。TAO等提出一個結(jié)合BP神經(jīng)網(wǎng)絡(luò)和地質(zhì)統(tǒng)計學(xué)來描述污染場地的土壤污染物情況的模型14。但BP神經(jīng)網(wǎng)絡(luò)泛化性較差，而LSTM神經(jīng)網(wǎng)絡(luò)考慮數(shù)據(jù)的時間特性，在時間序列預(yù)測方面有更好的表現(xiàn)15。MA等研究LSTM神經(jīng)網(wǎng)絡(luò)的架構(gòu)，與動態(tài)神經(jīng)網(wǎng)絡(luò)的不同拓撲以及SVM等其他算法比較，表明LSTM在準確性和穩(wěn)定性方面可以實現(xiàn)最佳短期交通預(yù)測性能16。由以上文獻可知，LSTM對時序性數(shù)據(jù)處理效果較好。綜上所述，基于LSTM網(wǎng)絡(luò)能夠?qū)W習(xí)到數(shù)據(jù)間的長期依賴性17-18，同時針對鍋爐NOx濃度時間序列預(yù)

15、測這一問題，筆者提出一種基于LSTM神經(jīng)網(wǎng)絡(luò)的軟測量方法對NOx排放量進行實時測量。首先，對NOx產(chǎn)生機理分析，并在實際生產(chǎn)數(shù)據(jù)集上初步選取與NOx排放量緊密相關(guān)的20個輔助變量;其次，在數(shù)據(jù)預(yù)處理后，利用灰色關(guān)聯(lián)度分析精選出15個輔助變量;最后，通過訓(xùn)練集和測試集對LSTM模型進行訓(xùn)練和測試，并將LSTM模型與BP神經(jīng)網(wǎng)絡(luò)模型和SVM模型的軟測量結(jié)果比較發(fā)現(xiàn)，LSTM模型的預(yù)測準確度更高，泛化能力更強。1LSTM神經(jīng)網(wǎng)絡(luò)1997年，HOCHREITER等提出LSTM神經(jīng)網(wǎng)絡(luò)，目的是解決循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrentneuralnetwork，RNN）梯度消失問題19。RNN結(jié)構(gòu)如圖2所示，

16、圖中，Di（i=0，1，t）為時間i的輸入;ui（i=0，1，n）為輸出;中間部分E是隱藏層的信息流。但是，隨著時間序列的不斷增長，RNN將出現(xiàn)梯度消失問題，而LSTM神經(jīng)網(wǎng)絡(luò)的提出，成功解決此類問題。LSTM神經(jīng)網(wǎng)絡(luò)是一種特殊的RNN，可有效解決傳統(tǒng)RNN梯度消失或梯度爆炸現(xiàn)象20-21。LSTM將每一層神經(jīng)元加入了“門控”結(jié)構(gòu)，使得部分誤差在傳播過程中可以直接通過“門”，而不用歸因于當(dāng)前神經(jīng)元。因此，誤差可以直接傳播到下一層，梯度無論傳播多遠都不會出現(xiàn)梯度消失問題。在RNN隱藏層中，LSTM加入輸入門（InputGate），輸出門（OutputGate），遺忘門（ForgetGate）和一

17、個內(nèi)部單元（Cell），如圖3所示。輸入門控制著新的輸入信息進入記憶單元的強度，即決定著多少新記憶和老記憶進行合并。2NOx排量軟測量2.1數(shù)據(jù)采集與輔助變量初選實驗數(shù)據(jù)來自陜西省榆林某電廠實際生產(chǎn)數(shù)據(jù)，數(shù)據(jù)內(nèi)容為實測樣本，數(shù)據(jù)采集點是2022年1月1日0000至6月9日200，采樣間隔為1h，共3800個采樣點數(shù)據(jù)。通常燃煤電廠鍋爐燃燒產(chǎn)生的NOx主要分為3大類，分別為燃料型NOx、熱力型NOx與快速型NOx。燃料型NOx在3種污染物中比例最大，它是煤質(zhì)的直接燃燒產(chǎn)生的污染物;熱力型NOx在3種污染物中比例較小，它是送風(fēng)機送入的氮元素在鍋爐中被氧化產(chǎn)生的污染物;快速型NOx在3種污染物中比例

18、最小，它是煤質(zhì)中的碳元素與空氣中的氮元素發(fā)生瞬時反應(yīng)產(chǎn)生的污染物。通過對NOx生成原因分析，初步選取總給煤量、鍋爐總風(fēng)量、爐膛出口溫度等380020組變量（見表1變量120），其中脫硝出口NOx排放量為目標變量。其中，NOx國家的排放標準主要依據(jù)國家2022年發(fā)布的并且要求2022年7月開始執(zhí)行的國家鍋爐大氣污染物排放標準，具體為：1）燃氣鍋爐：在用鍋爐400mg/L、新建燃氣鍋爐200mg/L、重點地區(qū)150mg/L;2）燃煤鍋爐：在用鍋爐400mg/L、新建燃氣鍋爐300mg/L、重點地區(qū)200mg/L;3）燃油鍋爐：在用鍋爐400mg/L、新建燃氣鍋爐250mg/L、重點地區(qū)150mg/

19、L。2.2數(shù)據(jù)預(yù)處理考慮到工業(yè)環(huán)境復(fù)雜性，前述實測數(shù)據(jù)使用前需預(yù)處理。數(shù)據(jù)預(yù)處理包括隨機誤差、粗大誤差的處理及數(shù)據(jù)變換。粗大誤差一般由于傳感器失靈、設(shè)備異常等造成，一般情況下，粗大誤差出現(xiàn)概率較低，一旦出現(xiàn)會嚴重影響數(shù)據(jù)質(zhì)量。隨機誤差主要由于測量信號的干擾及操作過程的隨機波動成。2.2.1粗大誤差處理2.2.2隨機誤差處理2.2.3歸一化與反歸一化處理2.3輔助變量精選輔助變量精選可將數(shù)據(jù)維數(shù)控制在恰當(dāng)范圍內(nèi);輔助變量太多會影響模型靈活性和時效性;反之，又難以充分輸入?yún)?shù)的特征信息，影響模型適用性和準確性?？紤]到表1中變量120之間具有不同程度關(guān)聯(lián)，因此，采用灰色關(guān)聯(lián)度分析法量化變量間的關(guān)聯(lián)度

20、，以精選輔助變量?；疑P(guān)聯(lián)分析法主要依據(jù)序列曲線幾何形狀的相似程度來判斷其聯(lián)系是否緊密：曲線越接近，相應(yīng)序列間的關(guān)聯(lián)度越大;反之，越小。采用灰色關(guān)聯(lián)度獲得各輔助變量關(guān)聯(lián)度，見表1。設(shè)定關(guān)聯(lián)度閾值為0.9023-24。據(jù)此閾值，精選2號給煤機密封風(fēng)調(diào)門反饋、1號機組煙囪入口煙氣O2濃度、左側(cè)爐膛出口溫度、右側(cè)爐膛出口溫度等關(guān)聯(lián)度大于0.90的15個輔助變量。因此，最終有效數(shù)據(jù)規(guī)模為380015。2.4軟測量建模軟測量技術(shù)的主要思想是：采用便于測量的變量來實時估計待測的目標變量。采用2號給煤機密封風(fēng)調(diào)門反饋、1號機組煙囪入口煙氣O2濃度等15個輔助變量，利用LSTM算法進行軟測量建模估計目標變量脫

21、硝出口NOx排放量，具體過程如下。1）根據(jù)燃煤電廠的理論和技術(shù)收集脫硝出口NOx排放量和相關(guān)數(shù)據(jù)，并構(gòu)建數(shù)據(jù)集。2）使用（11）消除粗大誤差，使用（12）消除隨機誤差，并使用（13）（14）標準化數(shù)據(jù)。3）運用灰色關(guān)聯(lián)度對數(shù)據(jù)進行降維處理，以實現(xiàn)輔助變量的精選，并將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。4）建立深度學(xué)習(xí)模型并初始化LSTM神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)。5）訓(xùn)練：在正向傳播中，使用（1）（9）獲得預(yù)測輸出;在反向傳播中，使用梯度下降法來計算每個權(quán)重的梯度。之后經(jīng)過迭代和修改權(quán)重，使損失函數(shù)最小化，并輸出最優(yōu)模型。6）測試：公式（10）用于計算測試集的評估指數(shù)。7）如果精度符合要求，則輸出最終的LSTM

22、神經(jīng)網(wǎng)絡(luò)模型。否則，返回步驟4）調(diào)試LSTM神經(jīng)網(wǎng)絡(luò)參數(shù)。3仿真實驗實驗中軟件環(huán)境為：Python的框架PyTorch0.3.1，Python編輯環(huán)境為PyCharm，操作系統(tǒng)為Win7（64位）;硬件配置為：內(nèi)存DDRIII12G（8G+4G），CPU為AMDA4-SeriesA4-5000。3.1場景及參數(shù)設(shè)計一般來說，數(shù)據(jù)規(guī)模會對數(shù)據(jù)驅(qū)動方法的結(jié)果產(chǎn)生較大影響25?？紤]到很多場景下大規(guī)模數(shù)據(jù)獲取存在困難，在仿真部分對小數(shù)據(jù)量（場景1）和大數(shù)據(jù)量（場景2）分別進行仿真26-27。為便于比較，測試集數(shù)據(jù)均選為240組（2022年5月30日200至6月9日200）。場景1訓(xùn)練集為480組（20

23、22年5月10日100至5月30日100）;場景2訓(xùn)練集為3560組（除去240組測試數(shù)據(jù)后的剩余數(shù)據(jù)）。與此同時，為比較文中所提方法的有效性，此部分還對基于BP神經(jīng)網(wǎng)絡(luò)和SVM的2種方法進行仿真，并分別作了比較。根據(jù)上文選定的模型結(jié)構(gòu)，基于LSTM神經(jīng)網(wǎng)絡(luò)的軟測量模型參數(shù)見表2。BP神經(jīng)網(wǎng)絡(luò)具體建模方法可參考26，具體參數(shù)見表2。對于SVM建模方法可參考9，其主要參數(shù)為最佳懲罰系數(shù)和徑向基函數(shù)的寬度，其中，場景1下訓(xùn)練后的參數(shù)=11.3137，=00221，場景2下訓(xùn)練后的參數(shù)=2.8284，=0.2500。3.2場景1仿真結(jié)果圖4展示LSTM訓(xùn)練過程的均方誤差（MSE）與迭代次數(shù)的關(guān)系：隨

24、著迭代次數(shù)的增加，訓(xùn)練誤差逐漸縮小。這一規(guī)律在場景1（紅色實心圓）和場景2（藍色實心圓）中基本一致;只是在場景2（大數(shù)據(jù)量）下，均方誤差下降速度更快。說明對于LSTM神經(jīng)網(wǎng)絡(luò)模型而言，訓(xùn)練集規(guī)模越大，訓(xùn)練速度越快。圖57給出場景1下3種方法的預(yù)測結(jié)果。整體來看，此種場景下基于SVM模型的預(yù)測精度最優(yōu)。為進一步量化各方法的預(yù)測效果，表3分別從均方誤差（MSE）、均方相關(guān)系數(shù)（r2）兩方面對預(yù)測效果進行展示。其中，MSE反應(yīng)的是預(yù)測值與真實值的偏離程度，MSE越小，說明模型精確度越高;r2反應(yīng)2個變量變化時的相似程度，該系數(shù)越高表示預(yù)測值與真實值越接近;二者相互結(jié)合，綜合反應(yīng)模型的優(yōu)劣。據(jù)表3，場

25、景1下SVM的MSE比BP和LSTM分別低0.0003和0.0020;SVM的r2比BP和LSTM分別高0.0140和0.0268。也即，基于SVM的模型2項指標均優(yōu)于其他2種模型。該結(jié)果說明，基于SVM的模型在小數(shù)據(jù)量的情況下其泛化能力更強，預(yù)測結(jié)果更好，適用于小數(shù)據(jù)量場景9。3.3場景2仿真結(jié)果圖810給出3種方法在場景2下的預(yù)測結(jié)果。從整體看，場景2下基于LSTM模型的預(yù)測精度最優(yōu)。由表3可知，場景2下LSTM的MSE比BP和SVM分別低0.0002和0.0005;LSTM的r2比BP和SVM分別高0.0206和0.0659。即，基于LSTM的模型2項指標均優(yōu)于其他2種模型。該結(jié)果說明，

26、基于LSTM的模型在大數(shù)據(jù)量情況下泛化能力更強，預(yù)測結(jié)果更好，適用于大數(shù)據(jù)量場景9。結(jié)合表3及圖5圖10，可以得出如下結(jié)論：在大數(shù)據(jù)量的基礎(chǔ)上，基于LSTM的模型較基于BP和SVM的模型能夠?qū)W習(xí)到數(shù)據(jù)間的長期依賴性，同時對時間序列有強化記憶能力的特點27;其具體原因在于，LSTM加入“門控”結(jié)構(gòu)替換原RNN網(wǎng)絡(luò)結(jié)構(gòu)中的隱含層細胞，通過“門控”結(jié)構(gòu)將長期記憶與短時記憶結(jié)合，使得部分信息在傳遞過程中可以直接通過“門”，而直接越過當(dāng)前神經(jīng)元，可以有效地處理長期依賴的動態(tài)相關(guān)問題，在一定程度上彌補RNN網(wǎng)絡(luò)“梯度消失”的問題;LSTM特殊的“門控”結(jié)構(gòu)，使其在處理時序問題上的性能優(yōu)于RNN網(wǎng)絡(luò)。同時表

27、明，在當(dāng)前數(shù)字化日益普及、大量數(shù)據(jù)存在的情況，基于LSTM模型的NOx排放量等方面的預(yù)測完全可行。所提方法在降低企業(yè)測量儀表投入、減少維護成本等方面具有很好的效果。4結(jié)論1）針對燃煤電廠NOx濃度排放量的測量這一復(fù)雜的非線性動態(tài)系統(tǒng)，提出基于LSTM的NOx排放量軟測量方法，該方法主要是分析與NOx排放量緊密相關(guān)的變量，通過構(gòu)建NOx排放量軟測量模型實現(xiàn)NOx排放量的預(yù)測。2）LSTM特殊的“門控”機制，使得LSTM在處理時序問題上更具優(yōu)勢;燃煤電廠在生產(chǎn)過程中的歷史數(shù)據(jù)的關(guān)聯(lián)性及時序特征;基于LSTM的NOx排放量軟測量主要是結(jié)合LSTM的優(yōu)勢以及燃煤電廠生產(chǎn)過程歷史數(shù)據(jù)的特性來實現(xiàn)NOx排

28、放量的預(yù)測。3）基于LSTM的NOx排放量軟測量主要選擇均方誤差和均方相關(guān)系數(shù)作為評價模型預(yù)測性能的標準。從仿真實驗結(jié)果來看，LSTM神經(jīng)網(wǎng)絡(luò)的軟測量方法預(yù)測結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和SVM模型。4）該方法在NOx排放量的預(yù)測方面效果不錯，但是存在一定的不足，比如在小數(shù)據(jù)量的情況下，預(yù)測性能會有所下降，后續(xù)研究需要根據(jù)不同的應(yīng)用場景、數(shù)據(jù)集的不同、領(lǐng)域的不同構(gòu)建出符合數(shù)據(jù)標準的模型。參考文獻（References）：1馮前偉，張楊，王豐吉，等.現(xiàn)役燃煤機組SCR煙氣脫硝裝置運行現(xiàn)狀分析J.中國電力，2022，50（4）：157-161.FENGQianwei，ZHANGYang，WANGFengj

29、i，etal.AnalysisonoperatingstatusofSCRfacilitiesinactivecoal-firedunitsJ.ElectricPower，2022，50（4）：157-161.2ZHOUL，QIAOL，CHENX，et.al.AUSMturbulence-chemistrymodelforsimulatingNOxformationinturbulentcombustionJ.Fuel，2022，81（13）：1703-1709.3TENNETIS，SUBRAMANIAMS.Particle-resolveddirectnumericalsimulationf

30、orgassolidflowmodeldevelopmentJ.AnnualReviewofFluidMechanics，2022，46（1）：199-230.4KADLECP，GABRYSB，STRANDTS.Data-drivensoftsensorsintheprocessindustryJ.Computers&ChemicalEngineering，2022，33（4）：795-814.5GONZAGAJ，MELEIROL，KIANGC，etal.ANN-basedsoft-sensorforreal-timeprocessmonitoringandcontrolofanindustr

31、ialpolymerizationprocessJ.Computers&ChemicalEngineering，2022，33（1）：43-49.6LIQ，SHAOC.SoftsensingmodellingbasedonoptimalselectionofsecondaryvariablesanditsapplicationJ.InternationalJournalofAutomationandComputing，2022，6（4）：379-384.7毛清華，趙健博，李亞周，等.基于ELM神經(jīng)網(wǎng)絡(luò)的采煤機截割載荷軟測量建模方法J.西安科技大學(xué)學(xué)報，2022，40（5）：769-774.MA

32、OQinghua，ZHAOJianbo，LlYazhou，etal.SoftsensormodelingmethodofshearercuttingloadbasedonElMneuralnetworkJ.JourmalofXianUniversityofScienceandTechnology，2022，40（5）：769-774.8MAY，YEZ.A12-input-3-outputRBFneuralnetworkmodelofloadandmainsteampressurecharacteristicsforultra-supercriticalunitJ.AppliedMechanic

33、sandMaterials，2022，529：748-752.9GUY，ZHAOW，WUZ.OnlineadaptiveleastsquaressupportvectormachineanditsapplicationinutilityboilercombustionoptimizationsystemsJ.JournalofProcessControl，2022，21（7）：1040-1048.10李競岌，楊欣華，楊海瑞，等.鼓泡床焦炭型氮氧化物生成的試驗與模型研究J.煤炭學(xué)報，2022，41（6）：1546-1553.LIJingji，YANGXinhua，YANGHairui，etal.

34、ExperimentalstudyandmodelingofNOxgenerationfromcharnitrogeninthebubblingbedJ.JournalofChinaCoalSociety，2022，41（6）：1546-1553.11王科，王賁，于潔，等.SOFA參數(shù)對W鍋爐燃燒及NOx排放影響的數(shù)值模擬J.煤炭學(xué)報，2022，43（3）：839-845.WANGKe，WANGBen，YUJie，etal.Influenceofseparatedoverfire-airparametersoncombustionandNOxemissioncharacteristicsfor

35、ababcock&wilcox（B&W）down-firedboilerJ.JournalofChinaCoalSociety，2022，43（3）：839-845.12LECUNY，BENGIOY，HINTONG.DeeplearningJ.Nature，2022，521（7553）：436-444.13ZHOUS，LIUN，SHENC，etal.AnadaptiveKalmanfilteringalgorithmbasedonback-propagation（BP）neuralnetworkappliedforsimultaneouslydetectionofexhaledCOandN2O

36、J.SpectrochimicaActaPartA：MolecularandBiomolecularSpectroscopy，2022，223：117332.14TAOH，LIAOX，ZHAOD，etal.Delineationofsoilcontaminantplumesataco-contaminatedsiteusingBPneuralnetworksandgeostatisticsJ.Geoderma，2022，354：113878.15VANHG，MOSQUERAC，N?POLESG.Areviewonthelongshort-termmemorymodelJ.ArtificialI

37、ntelligenceReview，2022，53（8）：5929-5955.16MAX，TAOZ，WANGY，etal.Longshort-termmemoryneuralnetworkfortrafficspeedpredictionusingremotemicrowavesensordataJ.TransportationResearchPartC，2022，54：187-197.17YUY，SIX，HUC，etal.Areviewofrecurrentneuralnetworks：LSTMcellsandnetworkarchitecturesJ.NeuralComputation，2

38、022，31（7）：1235-1270.18MULLERAT，HISSJA，SCHNEIDERG.RecurrentneuralnetworkmodelforconstructivepeptidedesignJ.JournalofChemicalInformationandModeling，2022，58（2）：472-479.19HOCHREITERS，SCHMIDHUBERJ.Longshort-termmemoryJ.NeuralComputation，1997，9（8）：1735-1780.20GREFFK，SRIVASTAVARK，KOUTN?KJ，etal.LSTM：asearchspaceodysseyJ.IEEETransactionsonNeuralNetworksandLearningSystems，2022，28（10）：2222-2232.21GERSFA，SCHMIDHUBERJ，CUMMINSF.Learningtoforget：continualpredictionwithLSTMJ.NeuralComputati