基于深度学习与KAN网络的锅炉出口NO_x浓度预测模型

摘要

针对燃煤电厂发电机组灵活变负荷运行时，燃烧条件变化、燃烧温度波动以及选择性催化还原脱硝系统响应滞后导致的锅炉出口NO_x浓度频繁波动，提出一种结合Transformer与Kolmogorov-Arnold网络的锅炉出口NO_x预测模型。使用互信息算法将由机理分析得到的18个锅炉出口NO_x浓度相关特征变量进行排序进而去除冗余变量；对筛选后的8个辅助变量求取延迟时间和嵌入维数再进行相空间重构，进一步挖掘数据关键信息；将Transformer模型结构中的线性层替换成KAN网络，建立Transformer-KAN模型，并利用鱼鹰优化算法优化Transformer-KAN模型超参数，最终建立锅炉出口NO_x浓度预测模型。利用消融实验、多模型预测实验进行预测对比，得到模型的均方根误差、平均绝对百分比误差、决定系数分别为4.248 4 kW、1.644 5%、0.971 9。该结果表明所提出的模型预测性能良好。

关键词

灵活变负荷运行 / Transformer / Kolmogorov-Arnold网络 / 相空间重构 / NO_x浓度