基于CNN-LSTM模型的燃烧烟气CO₂浓度预测研究

摘要

在“碳达峰”和“碳中和”目标下，燃烧装置的低碳化改造是减少CO₂排放的重要途径．为了预估碳排放水平，指导碳捕集装置的设计，以燃烧装置运行参数、燃料参数和已有烟气参数等特征变量作为输入，提出了一种卷积-长短期记忆神经网络模型（CNN-LSTM），用于烟气出口CO₂浓度的预测．与长短期记忆神经网络模型（LSTM），随机森林模型（Random Forest）和极限梯度增强模型（XGBoost）相比，CNN-LSTM具有更好的准确性．CNN-LSTM的决定系数R²和均方根误差RMSE分别为0.971和0.122，相比前述模型R²提高了0.93%～6.23%,RMSE降低了11.59%～41.3%．进一步优化特征变量后，CNN-LSTM的R²和RMSE分别提升至0.975和0.116.

关键词

燃烧烟气 / CO₂浓度预测 / 卷积神经网络 / 长短期记忆神经网络

基金资助

国家重点研发计划项目(2022YFE0208900); 浙江省“尖兵领雁+X”研发攻关计划资助项目(2024C03116)