基于MEVMD与GA-CNN+LSTM的NO_x浓度动态预测模型研究

摘要

燃煤电厂作为主要NO_x排放源，其SCR脱硝系统的高效运行对降低污染物排放至关重要，但在预测NO_x过程中，数据的剧烈动态变化会制约模型的预测精度．本文提出一种基于模态能量差和样本熵的变分模态分解（MEVMD）耦合遗传算法（GA）优化卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合预测模型．首先，通过3σ准则修正异常值，再采用皮尔逊相关系数筛选20个关键输入变量，利用最大信息系数（MIC）确定各变量延迟时间，实现特征与目标变量的时序对齐．其次，通过自适应变分模态分解（VMD），精准剥离NO_x时序信号中的多频率特征；通过GA优化超参数，实现多子模态的适配性建模.最后，通过VMD逆分解将各子模态融合输出预测结果．实验结果表明，本文所提模型的均方根误差（RMSE）为0.949 2，平均绝对误差（MAE）为0.496 9，决定系数（R²）为0.976 7，优于对比模型．

关键词

NO_x预测 / 自适应变分模态分解 / 遗传算法 / 卷积神经网络 / 长短期记忆网络