基于MIC-NNG-LSTM的有机废液焚烧SCR入口NOx浓度动态预测

摘要

针对高盐有机废液焚烧及烟气处理过程中普遍存在的延迟、非线性和动态特性，提出一种基于自适应变量选择与长短期记忆神经网络（MIC-NNG-LSTM）的动态预测方法，对选择性催化还原法（SCR）脱硝塔入口NOx浓度进行预测，解决当工况发生变化时，脱硝系统不能及时调整喷氨量的问题。该预测方法在传统长短期记忆神经网络（LSTM）的基础上，利用最大互信息系数（MIC）法确定相关辅助变量的延迟时间，以全面捕捉变量之间的动态关系。其次，利用MIC可以反映各输入变量相对于目标变量的重要程度，结合能够收缩变量系数的非负绞杀（NNG）算法，设计MIC-NNG算法来压缩LSTM网络的输入节点数，剔除冗余变量，实现辅助变量的自适应选择。最后，将包含延迟时间的辅助变量集作为LSTM网络的输入变量集，从而建立SCR入口NOx浓度动态预测模型。并与LSTM、MICLSTM、NNG-LSTM 3种预测SCR入口NOx浓度的方法进行实验对比，浓度预测精度可达到93%，均方根误差减小为约1.5 mg/Nm³。结果表明：通过引入输入变量的延迟时间特性，能够更好地体现各变量之间的动态关系；MIC-NNG算法相对于NNG算法能更准确地选择输入变量以缩短模型预测时间，提高预测精度和泛化能力。基于MIC-NNG算法和LSTM网络的动态预测模型综合考虑了有机废液焚烧过程中变量的延迟特性和各参数之间的动态时序关系，可以为降低NOx排放量提供新思路。

关键词

有机废液 / 动态预测 / 变量选择 / 长短期记忆神经网络 / MIC-NNG算法