论文部分内容阅读
针对传统BP神经网络预测模型仅考虑单向时间关系,造成火电厂选择性催化还原法(selective catalytic reduction,SCR)脱硝系统喷氨调节效果不佳、难以兼顾NOx排放指标和经济性等问题,提出一种基于深度双向LSTM的SCR系统NOx排放预测模型.该模型结合向前、向后两个时间方向的数据关系,将多个双向LSTM层叠加,通过多层神经网络学习时间序列的深层特征,同时添加全连接层对非线性特征进行加权处理,解决了长时间序列的梯度消失以及梯度爆炸问题,实现了数据的深层次特征挖掘.对某325 MW机组运行数据进行测试,测试结果表明,该模型具有复杂度低、精度高和泛化能力强等优点,使误差降低了约5％.