何德峰 刘明裕 孙芷菲 王秀丽③ 李廉明

(∗浙江工业大学信息工程学院 杭州310023)

(∗∗嘉兴新嘉爱斯热电有限公司 嘉兴314016)

构建清洁低碳、安全高效的能源体系是我国实现碳中和目标的关键举措。与化石能源相比,使用生物质燃烧发电是一种更经济环保的选择[1-2]。生物质能的燃烧过程是一个碳闭环过程,生物质通过光合作用吸收的CO2能够中和生物质燃烧产生的CO2,从而很好地实现碳中和。然而,生物质燃烧过程产生的烟气仍包含大量其他污染物,其中氮氧化物(NOx)是占比最大的一种污染物[3-4],过量的NOx排放会导致酸雨、光化学烟雾、臭氧层破坏和温室效应等严重的环境问题[5-8]。因此,准确预测NOx 排放浓度是实现生物质锅炉燃烧过程有效监测的关键步骤,同时也为燃烧过程优化、节能减排提供重要的科学参考依据。

由于生物质锅炉运行机理复杂,生物质燃烧过程具有高度非线性、强耦合的特点,导致NOx 排放浓度受多种复杂因素影响。生物质燃烧机理分析方法因为具有强大的可解释性,常用来预测NOx 排放浓度,但该方法建模难度大、计算复杂度高,用于预测NOx 排放浓度成本较高[9-12]。近年来,数据驱动的方法在预测领域逐渐流行,特别是,人工神经网络(artificial neural network,ANN)作为一种通用函数逼近器已率先用来预测NOx 排放浓度[13-14]。例如,周昊等人[15]利用ANN 预测大容量煤粉锅炉中的NOx 排放浓度;谷景丽等人[16]应用ANN 模型实现了NOx 浓度等参数的软测量。然而,ANN 只能建立从输入到输出的静态映射,不能很好地提取时间序列数据的动态特征。……