火电机组因煤炭存储量大、技术要求低、基础设施完备等原因一直是我国电能产生的主体,煤炭燃烧不可避免地产生有害气体,其中,氮氧化物（NOx）是火电机组烟气中主要污染气体之一。近些年,随着环保意识的提升与排放政策的收紧,基于选择性催化还原（SCR）的脱硝技术被广泛使用于火力发电厂,SCR脱硝系统的控制优化也成为了研究热点。SCR系统入口氮氧化物浓度是脱硝控制的重要输入量,但是由于检测系统固有的分析时延,脱硝系统无法实时获取该值,严重影响了控制效果。同时,随着可再生能源大规模接入电网,火电机组将会执行更加频繁的调峰任务,导致烟气中氮氧化物浓度的剧烈变化,这给脱硝系统控制优化带来了新的挑战。传统的SCR脱硝控制系统可实现基础的控制需求,但是无法有效地应对氮氧化物浓度的检测时延与快速变化,也无法满足多目标带约束的控制要求。基于以上分析,本文建立NOx实时预测模型与序列预测模型,并在此基础上设计面向氮氧化物浓度快速变化的模型预测控制器,通过优化SCR系统喷氨控制以适应变工况状态下入口氮氧化物浓度快速变化,在控制出口NOx浓度的同时也有效控制了氨逃逸量,提高了控制稳定性与经济效益,具有广泛的适用性。本文研究了火电机组NOx浓度实时建模、NOx浓度序列预测、SCR脱硝系统模型预测控制等关键技术,主要研究工作如下:1.针对NOx浓度实时建模中存在的数据延迟问题,提出基于注意力机制的延迟感知技术,设计基于深度学习的预测模型——DPNet,通过精准的特征定位,实现了高精度的NOx浓度建模。同时,所提出的模型完全采用卷积神经网络与全连接神经网络,具有优秀的并行处理能力,显著提升模型训练、推理效率,满足工业现场对于实时性的要求。2.NOx浓度序列预测对于SCR脱硝系统应对入口NOx浓度快速变化问题具有十分重要的意义。已有的研究工作大都使用基于循环神经网络的滚动预测模型进行序列预测,严重的误差累积效应导致巨大的预测误差。本文在分析NOx浓度序列预测任务特殊性的基础上提出迭代延迟感知技术,在每一时刻完全基于强相关特征进行浓度预测,有效地抑制误差累积效应的不利影响。通过严谨的数据实验验证了所提出模型相比于基准模型具有更高的序列预测精度。3.大量相关工作证明预测控制在SCR脱硝控制任务上具有显著优势,但是,现有工作在预测时域内往往将入口氮氧化物浓度视为定值带入优化问题求解,这无法适应未来火电机组频繁调峰导致NOx浓度快速变化的外部环境。基于以上观察,本文将NOx浓度序列预测技术引入到脱硝控制任务中,设计了面向NOx浓度快速变化的SCR脱硝系统模型预测控制器,并采用经过改进的LS-SVRG算法进行优化。通过在预测时域内使用NOx浓度序列预测值进行优化求解,显著改善了控制性能。同时,提出了资源受限场景下的事件触发控制策略方案,赋予了预测控制在SCR脱硝系统中更广泛的适用性。