| 何德峰*,刘明裕*,孙芷菲*,王秀丽*,李廉明**.基于LSTM-SAFCN模型的生物质锅炉NOx排放浓度预测[J].高技术通讯(中文),2024,34(1):92~100 |
| 基于LSTM-SAFCN模型的生物质锅炉NOx排放浓度预测 |
| LSTM-SAFCN model based NOx emission prediction for biomass boilers |
| |
| DOI：10. 3772/ j. issn. 1002-0470. 2024. 01. 010 |
| 中文关键词: 生物质锅炉； NOx排放浓度预测； 经验模态分解； 长短时记忆-全卷积神经网络（LSTM FCN）； 自注意力机制 |
| 英文关键词: biomass boiler, NOx emission prediction, empirical mode decomposition, long short-term memory fully convolutional network (LSTM-FCN), self-attention mechanism |
| 基金项目: |
| 作者 | 单位 | | 何德峰* | (*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) | | 刘明裕* | | | 孙芷菲* | | | 王秀丽* | | | 李廉明** | |
|
| 摘要点击次数: 485 |
| 全文下载次数: 390 |
| 中文摘要: |
| 针对生物质锅炉燃烧过程的动态特性，提出一种改进的长短期记忆-自注意力机制全卷积神经网络(LSTM-SAFCN)模型用于预测NOx排放浓度。首先利用完全自适应噪声集合经验模态分解法(CEEMDAN) 对数据进行预处理，消除数据噪声对NOx排放浓度预测的影响；其次融合自注意力机制与长短时记忆-全卷积神经网络(LSTM-FCN)进行特征提取与预测建模，该拓展方法能够同时兼顾时间序列数据的局部细节与长期趋势特征；最后，利用生物质热电联产系统的实际运行数据验证了所提算法的有效性。 |
| 英文摘要: |
| In view of the dynamic characteristics of the biomass boiler combustion process, this paper proposes a long short-term memory-self attention fully convolutional network (LSTM-SAFCN) to predict NOx emission. Firstly, a complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) is applied to preprocess the noise existing in input data. Secondly, the long short-term memory fully convolutional network (LSTM-FCN) is combined with self-attention method for feature extraction and prediction modeling, which takes both the local details of series data and long-term prediction tendency into account. Finally, the effectiveness of the proposed algorithm is verified on a biomass cogeneration system. |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
