尽管我国近年来不断推行电力结构改革,但火力发电在未来很长一段时间内仍将是我国最主要的发电形式。煤炭燃烧过程中产生的NOx是大气污染物的重要来源之一,对人体健康和空气质量造成严重影响。为响应国家节能减排的号召减少环境污染,火电厂控制NOx排放势在必行。本文主要以河南某火力发电厂660 MW超超临界机组燃煤锅炉燃烧过程参数为研究对象,针对燃煤锅炉多参数多变量相互耦合,DCS存储的是一个动态的、高维的、海量的时间序列数据,表现出当前的工况与历史工况之间相互关联的特点,本文将时间序列预测方法引入火电厂NOx预测中来,利用深度学习的方法设计了基于长短期记忆神经网络的NOx排放量预测模型,主要研究内容包括:(1)采集了两组不同规模的河南某火力发电厂DCS历史数据作为样本集。对输入样本首先进行Z-score标准化,之后采用主成分分析法进行特征提取,有效排除冗余特征变量对预测结果的干扰,为NOx预测模型的建立奠定了基础。(2)用能够动态记忆历史信息的长短期记忆神经网络的方法进行建模,并分析对比了网络中隐含层神经元个数、时间步长、丢弃率、优化算法对模型预测结果的影响,通过对比实验的方法确定了模型的最优参数。(3)建立循环神经网络预测模型与长短期记忆神经网络预测模型进行对比,结果表明,在相同模型参数的情况下长短期记忆神经网络的预测效果明显优于传统循环神经网络网络,表明所设计的长短期记忆神经网络能有效解决长期记忆问题,并且模型的预测波动较小,稳定性较高。(4)为了保证实际工业现场中各项数据的可解释性,通过对长短期记忆神经网络模型进行改进,将经过标准化处理后的数据直接输入模型,得到的预测结果与之前的预测结果效果相近,验证了长短期记忆神经网络模型在对火电厂燃煤锅炉大规模高维数据预测的准确性,为今后燃烧优化工作奠定了坚实的基础。本文构建的长短期记忆神经网络无论在小规模数据集还是大规模数据集上都取得了很好的预测结果,无论在预测精度还是在训练速度上都明显优于传统方法,证明了所建立的预测模型的可靠性。本文的研究成果对深度学习在工业现场的应用具有一定参考意义。