基于数据驱动的循环流化床机组深度调峰NO x 预测

doi:10.12096/j.2096-4528.pgt.23135

发电技术 ›› 2025, Vol. 46 ›› Issue (3): 627-636.DOI: 10.12096/j.2096-4528.pgt.23135

• 发电及环境保护 • 上一篇

基于数据驱动的循环流化床机组深度调峰NO _x 预测

张鹏新¹, 高明明¹, 解沛然², 于浩洋¹, 张洪福³, 黄中⁴

^1.新能源电力系统国家重点实验室(华北电力大学)，北京市昌平区 102206
^2.天津市普迅电力信息技术有限公司，天津市东丽区 300308
^3.国家能源集团新能源技术研究院有限公司，北京市昌平区 102209
^4.清华大学能源与动力工程系，北京市海淀区 100084

收稿日期:2024-04-03 修回日期:2024-06-27 出版日期:2025-06-30 发布日期:2025-06-16
通讯作者: 高明明
作者简介:张鹏新(2000)，男，硕士研究生，研究方向为循环流化床机组智能控制，1912179047@qq.com；
高明明(1979)，男，博士，副教授，研究方向为发电过程智能测控技术与应用、人工智能与应用、新能源发电综合测控技术与应用，本文通信作者，gmm1@ncepu.edu.cn；
解沛然(1991)，男，博士，研究方向为发电过程智能测控技术与应用、人工智能与应用，peiranxiencepu@163.com；
于浩洋(1996)，男，博士研究生，研究方向为发电过程智能测控技术与应用、人工智能与应用，120202127004@ncepu.edu.cn；
张洪福(1995)，男，博士，研究方向为循环流化床机组灵活运行与超低排放控制，zhanghongfu0907@126.com；
黄中(1983)，男，博士，研究员，研究方向为循环流化床燃烧理论与技术、燃烧过程的污染物控制，huangzhong@mail.tsinghua.edu.cn。
基金资助:
国家重点研发计划项目(2022YFB4100301)

NO _x Prediction for Deep Peaking Regulation of Circulating Fluidized Bed Units Based on Data-Driven

Pengxin ZHANG¹, Mingming GAO¹, Peiran XIE², Haoyang YU¹, Hongfu ZHANG³, Zhong HUANG⁴

^1.State Key Laboratory of Alternate Electrical Power System With Renewable Energy Sources (North China Electric Power University), Changping District, Beijing 102206, China
^2.Tianjin Puxun Power Information Technology Co. , Ltd. , Dongli District, Tianjin 300308, China
^3.CHN Energy New Energy Technology Research Institute Co. , Ltd. , Changping District, Beijing 102209, China
^4.Department of Energy and Power Engineering, Tsinghua University, Haidian District, Beijing 100084, China

Received:2024-04-03 Revised:2024-06-27 Published:2025-06-30 Online:2025-06-16
Contact: Mingming GAO
Supported by:
National Key Research and Development Program(2022YFB4100301)

摘要/Abstract

摘要：

目的在循环流化床(circulating fluidized bed，CFB)机组深度调峰运行状态下，NO _x 排放浓度会出现大幅波动，对脱硝控制系统的稳定性与经济性造成严重影响，为此，提出了一种基于数据驱动的循环流化床机组深度调峰运行状态下的NO _x 预测模型。方法对NO _x 的生成机理及影响因素进行了深度分析，结合某300 MW CFB机组现场运行数据，采用鲸鱼优化算法(whale optimization algorithm，WOA)对长短期记忆(long short-term memory，LSTM)神经网络参数进行优化，并建立WOA-LSTM神经网络模型。结果该模型实现了深度调峰下的CFB机组NO _x 排放质量浓度的在线预测。通过与其他神经网络模型进行对比，表明所提模型具有更好的预测结果，该模型平均绝对误差为2.49 mg/m³，平均绝对百分比误差达到6.8%，模型相关系数达到0.99。结论该模型能够准确地反映机组大范围变负荷运行下的NO _x 排放变化趋势，对现场脱硝自动控制系统的运行具有良好的指导作用。

关键词: 火电机组, 循环流化床(CFB), NO _x 排放, 深度调峰, 人工智能(AI), 鲸鱼优化算法(WOA), 长短期记忆(LSTM)神经网络

Abstract:

Objectives Under the deep peaking regulation operation of circulating fluidized bed (CFB) unit, NO _x emission will fluctuate significantly, which will have a serious impact on the stability and economy of the denitrification control system. Therefore, a data-driven NO _x prediction model based on the deep peaking regulation of CFB unit is proposed. Methods The generation mechanism and influencing factors of NO _x are analyzed in depth. Combined with the field operation data of a 300 MW CFB unit, the whale optimization algorithm (WOA) is used to optimize the parameters of the long short-term memory (LSTM) neural network, and the WOA-LSTM neural network model is established. Results The model realizes the online prediction of NO _x emission mass concentration of CFB unit under deep peaking regulation. Compared with other neural network models, the proposed model has better prediction results. The mean absolute error of the model is 2.49 mg/m³, the mean absolute percentage error reaches 6.8%, and the model correlation coefficient reaches 0.99. Conclusions The model can accurately reflect the NO _x emission trend under the wide range of variable load operation of the unit. The results of the study are a good guide for the operation of the automatic control system of denitrification in the field.

Key words: coal-fired power unit, circulating fluidized bed (CFB), NO _x emission, deep peaking regulation, artificial intelligence (AI), whale optimization algorithm (WOA), long short-term memory (LSTM) neural network

中图分类号:

TK 229.6

张鹏新, 高明明, 解沛然, 于浩洋, 张洪福, 黄中. 基于数据驱动的循环流化床机组深度调峰NO _x 预测[J]. 发电技术, 2025, 46(3): 627-636.

Pengxin ZHANG, Mingming GAO, Peiran XIE, Haoyang YU, Hongfu ZHANG, Zhong HUANG. NO _x Prediction for Deep Peaking Regulation of Circulating Fluidized Bed Units Based on Data-Driven[J]. Power Generation Technology, 2025, 46(3): 627-636.

图/表 12

图1 煤在热解及燃烧过程中氮元素转化图

Fig. 1 Conversion of nitrogen in pyrolysis and combustion of coal

图2 LSTM的单元结构图

Fig. 2 Structure of LSTM

图3 鲸鱼的收缩包围机制示意图

Fig. 3 Schematic diagram of the contraction-enclosure mechanism of the whale

图4 WOA流程图

Fig. 4 Flowchart of the WOA

图5 WOA-LSTM算法流程图

Fig. 5 Algorithm flowchart of WOA-LSTM

表1 NO x 排放浓度与其影响因素的相关系数及延迟性

Tab. 1 Correlation coefficients and latency of NO x emission concentrations with their influencing factors

影响因素	相关系数	延迟个数
机组负荷	0.815 5	10
给煤量	0.823 2	10
总风量	0.725 6	10
二次风量	0.773 1	10
床温	0.764 2	10
喷氨量	0.891 5	2

图6 机组负荷变化图

Fig. 6 Change of unit load

表2 各神经网络模型的参数设置

Tab. 2 Parameter settings for each neural network model

模型参数	BP神经网络	LSTM神经网络	WOA-LSTM 神经网络
迭代方法	trainlm	adam	adam
最大训练次数	1 000	2 400	4 000
隐含层个数	15	25	17
学习率	0.01	0.005	0.014

图7 WOA-LSTM神经网络模型适应度曲线

Fig. 7 WOA-LSTM neural network model adaptation curve

图8 测试集预测结果

Fig. 8 Test set prediction results

图9 验证集预测结果

Fig. 9 Validation set prediction results

表3 模型误差性能指标分析

Tab. 3 Analysis of model error performance metrics

类别	MAE/(mg/m³)	MAPE/%	相关系数
BP神经网络	4.63	12.4	0.940 16
LSTM神经网络	4.39	11.6	0.960 48
WOA-LSTM神经网络	2.49	6.8	0.990 01

参考文献 29

1	陈倩，朱婵霞，奚巍民，等．基于国际对标的风光新能源发电市场政策机制思考[J]．电力建设，2024，45(6)：120-129．
	CHEN Q， ZHU C X， XI W M，et al ．Policy mechanism thinking for new energy power generation market based on international benchmarking[J]．Electric Power Construction，2024，45(6)：120-129．
2	王译旋，杨用春，高长征．计及典型日选取与源荷灵活性调节的优化调度研究[J]．电力系统保护与控制，2024，52(10)：1-10．
	WANG Y X， YANG Y C， GAO C Z ．Optimal scheduling considering typical day selection and source load flexibility adjustment[J]．Power System Protection and Control，2024，52(10)：1-10．
3	李军徽，安晨宇，李翠萍，等．计及调峰市场交易的储能-新能源-火电多目标优化调度[J]．电工技术学报，2023，38(23)：6391-6406．
	LI J H， AN C Y， LI C P，et al ．Multi-objective optimization scheduling method considering peak regulating market transactions for energy storage-new energy-thermal power[J]．Transactions of China Electrotechnical Society，2023，38(23)：6391-6406．
4	于国强，刘克天，胡尊民，等．大规模新能源并网下火电机组深度调峰优化调度[J]．电力工程技术，2023，42(1)：243-250． doi:10.12158/j.2096-3203.2023.01.029
	YU G Q， LIU K T， HU Z M，et al ．Optimal scheduling of deep peak regulation for thermal power units in power grid with large-scale new energy[J]．Electric Power Engineering Technology，2023，42(1)：243-250． doi:10.12158/j.2096-3203.2023.01.029
5	王洪健，王海洋，孔皓，等．135 MW循环流化床锅炉纯燃准东煤改造策略与运行技术研究[J]．发电技术，2022，43(6)：918-926． doi:10.12096/j.2096-4528.pgt.21107
	WANG H J， WANG H Y， KONG H，et al ．Retrofitting strategy and operating technology of pure burning Zhundong coal in a 135 MW circulating fluidized bed boiler[J]．Power Generation Technology，2022，43(6)：918-926． doi:10.12096/j.2096-4528.pgt.21107
6	张文祥，徐文韬，黄亚继，等．基于数据驱动660 MW循环流化床锅炉多目标燃烧优化[J]．电力科技与环保，2024，40(2)：97-107．
	ZHANG W X， XU W T， HUANG Y J，et al ．Multi-objective combustion optimization for 660 MW circulating fluidized bed boiler based on data-driven approach[J]．Electric Power Technology and Environmental Protection，2024，40(2)：97-107．
7	岳光溪，吕俊复，徐鹏，等．循环流化床燃烧发展现状及前景分析[J]．中国电力，2016，49(1)：1-13．
	YUE G X， LÜ J F， XU P，et al ．The up-to-date development and future of circulating fluidized bed combustion technology[J]．Electric Power，2016，49(1)：1-13．
8	刘禾，白焰，李新利．火电厂热自动控制技术及应用[M]．北京：中国电力出版社，2008：270-271．
	LIU H， BAI Y， LI X L ．Thermal automatic control technology and its application of thermal power plant[M]．Beijing：China Electric Power Press，2008：270-271．
9	霍龙，张誉宝，陈欣．人工智能在分布式储能技术中的应用[J]．发电技术，2022，43(5)：707-717． doi:10.12096/j.2096-4528.pgt.22109
	HUO L， ZHANG Y B， CHEN X ．Artificial intelligence applications in distributed energy storage technologies[J]．Power Generation Technology，2022，43(5)：707-717． doi:10.12096/j.2096-4528.pgt.22109
10	程超，葛维，郭兰柯，等．基于深度学习的新型电力智能交互平台多任务集成模型研究[J]．电测与仪表，2023，60(6)：81-85．
	CHENG C， GE W， GUO L K，et al ．Research on multi-task ensemble model based on deep learning for novel power intelligent interaction platform[J]．Electrical Measurement & Instrumentation，2023，60(6)：81-85．
11	蒋慕凝，何宇，张棠茜，等．基于特征选择及误差修正的风电功率预测[J]．分布式能源，2023，8(2)：37-43．
	JIANG M N， HE Y， ZHANG T Q，et al ．Wind power prediction based on feature selection and error correction[J]．Distributed Energy，2023，8(2)：37-43．
12	牛培峰，丁翔，刘楠，等．基于混合鸡群算法和核极端学习机的锅炉NO _x 排放的预测[J]．计量学报，2019，40(5)：929-936． doi:10.3969/j.issn.1000-1158.2019.05.32
	NIU P F， DING X， LIU N，et al ．Prediction of boiler NO _x emission based on mixed chicken swarm algorithm and kernel extreme learning machine[J]．Acta Metrologica Sinica，2019，40(5)：929-936． doi:10.3969/j.issn.1000-1158.2019.05.32
13	YU H， GAO M， ZHANG H，et al ．Dynamic modeling for SO₂-NO _x emission concentration of circulating fluidized bed units based on quantum genetic algorithm：extreme learning machine[J]．Journal of Cleaner Production，2021，324：129170． doi:10.1016/j.jclepro.2021.129170
14	ADAMS D， OH D H， KIM D W，et al ．Prediction of SO _x -NO _x emission from a coal-fired CFB power plant with machine learning：plant data learned by deep neural network and least square support vector machine[J]．Journal of Cleaner Production，2020，270：122310． doi:10.1016/j.jclepro.2020.122310
15	白建云，朱竹军，张培华．基于BP神经网络的循环流化床锅炉生成NO _x 质量浓度在线软测量[J]．热力发电，2016，45(12)：78-83． doi:10.3969/j.issn.1002-3364.2016.12.078
	BAI J Y， ZHU Z J， ZHANG P H ．Online soft measurement of NO _x mass concentration for circulating fluidized bed boiler based on BP neural network[J]．Thermal Power Generation，2016，45(12)：78-83． doi:10.3969/j.issn.1002-3364.2016.12.078
16	徐瀚鹏．基于神经网络的锅炉NO _x 排放预测研究[D]．太原：太原理工大学，2021．
	XU H P ．Research on boiler NO _x emission prediction based on neural network[D]．Taiyuan：Taiyuan University of Technology，2021．
17	张京，孙博，陈皓．基于OS-ELM的循环流化床锅炉NO _x 建模研究[J]．自动化应用，2017(4)：51-52． doi:10.3969/j.issn.1674-778X.2017.04.023
	ZHANG J， SUN B， CHEN H ．Study on NO _x modeling of circulating fluidized bed boiler based on OS-ELM[J]．Automation Application，2017(4)：51-52． doi:10.3969/j.issn.1674-778X.2017.04.023
18	刘岳，于静，金秀章．基于特征优化和改进长短期记忆神经网络的NO _x 质量浓度预测[J]．热力发电，2021，50(7)：162-169．
	LIU Y， YU J， JIN X Z ．NO _x mass concentration prediction based on feature optimization and improved LSTM network[J]．Thermal Power Generation，2021，50(7)：162-169．
19	王渊博，金秀章．基于特征优化和ISSA-LSTM的脱硝系统入口NO _x 浓度预测模型[J]．网络安全与数据治理，2023，42(4)：70-77．
	WANG Y B， JIN X Z ．Prediction model of NO _x concentration at the inlet of the denitration system based on feature optimization and ISSA-LSTM[J]．Cyber Security and Data Governance，2023，42(4)：70-77．
20	黄鹏，赵冰，王家林，等．循环流化床大气污染物排放模型研究[J]．洁净煤技术，2020，26(3)：60-67．
	HUANG P， ZHAO B， WANG J L，et al ．Model research of air pollutant emission in circulating fluidized bed[J]．Clean Coal Technology，2020，26(3)：60-67．
21	李竞岌．循环流化床锅炉氮氧化物生成机理的实验与模型研究[D]．北京：清华大学，2016．
	LI J J ．Experimental and modeling study on NO _x generation mechanism in circulating fluidized bed boiler[D]．Beijing：Tsinghua University，2016．
22	蒋敏华，肖平．大型循环流化床锅炉技术[M]．北京：中国电力出版社，2009．
	JIANG M H， XIAO P ．Technology of large circulating fluidized bed boiler[M]．Beijing：China Electric Power Press，2009．
23	周杨珺，张斌，黄伟翔，等．基于LSTM-BP组合模型的配电台区低电压预测[J]．电力科学与技术学报，2023，38(5)：177-186．
	ZHOU Y J， ZHANG B， HUANG W X，et al ．A low voltage prediction based on LSTM-BP combined model for distribution station area[J]．Journal of Electric Power Science and Technology，2023，38(5)：177-186．
24	杨健，柳玉，黄坤鹏，等．考虑发电工况和站内损耗的风电场可用发电功率估算方法[J]．发电技术，2023，44(2)：235-243． doi:10.12096/j.2096-4528.pgt.21135
	YANG J， LIU Y， HUANG K P，et al ．A method for estimating available power of wind farms by considering the power generation conditions and station losses[J]．Power Generation Technology，2023，44(2)：235-243． doi:10.12096/j.2096-4528.pgt.21135
25	李秀昊，刘怀西，张智勇，等．基于VMD-LSTM的超短期风向多步预测[J]．南方能源建设，2023，10(1)：29-38．
	LI X H， LIU H X， ZHANG Z Y，et al ．Very short-term wind direction multistep forecast based on VMD-LSTM[J]．Southern Energy Construction，2023，10(1)：29-38．
26	韩雨，郭成，方正云，等．基于AP-WOA-GRU的分布式光伏集群电压越限动态预测[J]．电网与清洁能源，2024，40(4)：118-126．
	HAN Y， GUO C， FANG Z Y，et al ．The dynamic prediction of voltage overrun of the distributed photovoltaic cluster based on AP-WOA-GRU[J]．Power System and Clean Energy，2024，40(4)：118-126．
27	ZAMAN K， SUN Z， SHAH B，et al ．Efficient power management optimization based on whale optimization algorithm and enhanced differential evolution[J]．Alexandria Engineering Journal，2023，79：652-670． doi:10.1016/j.aej.2023.08.045
28	柯希玮，张缦，杨海瑞，等．循环流化床锅炉NO _x 生成和排放特性研究进展[J]．中国电机工程学报，2021，41(8)：2757-2770．
	KE X W， ZHANG M， YANG H R，et al ．Research progress on the characteristics of NO _x emission in circulating fluidized bed boiler[J]．Proceedings of the CSEE，2021，41(8)：2757-2770．
29	张媛媛，曲江源，王鹏程，等．超低负荷循环流化床机组NO _x 超低排放的GA-BP算法优化模型[J]．热力发电，2021，50(12)：35-42．
	ZHANG Y Y， QU J Y， WANG P C，et al ．Optimization model of GA-BP algorithm for ultra-low NO _x emission of ultra-low loaded CFB units[J]．Thermal Power Generation，2021，50(12)：35-42．

[1]	张俊, 蒲天骄, 高文忠, 刘友波, 裴玮, 许沛东, 高天露, 白昱阳. 电力系统智能计算的关键技术及应用展望[J]. 发电技术, 2025, 46(3): 421-437.
[2]	张祖菡, 刘敦楠, 凡航, 杨柳青, 段赟杰, 李赟, 马振宇. 基于大语言模型的电力系统预测技术研究综述[J]. 发电技术, 2025, 46(3): 438-453.
[3]	徐浩然, 张瑾昀, 马歆, 雷文强, 曹杰铭. 基于大语言模型的图检索增强生成技术在核电领域的应用与展望[J]. 发电技术, 2025, 46(3): 454-466.
[4]	陈艺璇, 王嘉阳, 卓映君, 卢斯煜, 周保荣. 人工智能在电力系统运行模拟加速中的应用综述[J]. 发电技术, 2025, 46(3): 467-481.
[5]	杨博, 张子健. 基于人工智能的可再生能源电解水制氢关键技术及发展前景分析[J]. 发电技术, 2025, 46(3): 482-495.
[6]	刘宿城, 栾李, 李龙, 洪涛, 刘晓东. 基于人工智能的直流微电网大信号稳定性评估方法研究[J]. 发电技术, 2025, 46(3): 496-507.
[7]	闫正义, 赵康, 王凯. 基于强化学习的新型电力系统优化策略应用综述[J]. 发电技术, 2025, 46(3): 508-520.
[8]	席磊, 王艺晓, 熊雅慧, 董璐. 基于改进深度极限学习机的电网虚假数据注入攻击定位检测[J]. 发电技术, 2025, 46(3): 521-531.
[9]	于子涵, 王赫鸣, 王建凯, 朱胜强, 孟祥忠. 基于无人机巡检的输电线路绝缘子及其异物检测算法[J]. 发电技术, 2025, 46(3): 532-540.
[10]	郑如意, 杨博, 周率, 蒋林, 李鸿彪, 郜登科. 基于人工智能的质子交换膜燃料电池状态估计及故障诊断[J]. 发电技术, 2025, 46(3): 541-555.
[11]	王凯卉, 刘斌, 折晓会, 刘伟, 范昊, 康宗耀, 徐礼. 氨氢混合燃烧在旋流燃烧器中的动力学特性与NO _x 减排机理研究[J]. 发电技术, 2025, 46(1): 171-179.
[12]	严新荣, 胡志勇, 张鹏威, 郑成航, 向军, 唐郭安, 刘金亮, 郭剑雄, 黄一博, 于鹏峰, 高翔. 煤电机组运行灵活性提升技术研究与应用[J]. 发电技术, 2024, 45(6): 1074-1086.
[13]	董建宁, 安吉振, 陈衡, 潘佩媛, 徐钢, 王修彦. 考虑天气影响的火电机组空冷系统性能预测方法[J]. 发电技术, 2024, 45(6): 1105-1113.
[14]	解婷婷, 孙友源, 郭振, 宋明光. 火电机组碳排放连续监测技术研究与应用综述[J]. 发电技术, 2024, 45(5): 919-928.
[15]	郑淇薇, 赵欣悦, 卢荻, 陈衡, 潘佩媛, 刘彤. 多类型小容量火电机组热电解耦潜力与经济性对比评估[J]. 发电技术, 2024, 45(5): 929-940.

基于数据驱动的循环流化床机组深度调峰NO _x 预测

NO _x Prediction for Deep Peaking Regulation of Circulating Fluidized Bed Units Based on Data-Driven

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 12

参考文献 29

相关文章 15

编辑推荐

Metrics

基于数据驱动的循环流化床机组深度调峰NO x 预测

NO x Prediction for Deep Peaking Regulation of Circulating Fluidized Bed Units Based on Data-Driven

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 12

参考文献 29

相关文章 15

编辑推荐

Metrics

基于数据驱动的循环流化床机组深度调峰NO _x 预测

NO _x Prediction for Deep Peaking Regulation of Circulating Fluidized Bed Units Based on Data-Driven