基于特征优化和改进长短期记忆神经网络的NOx质量浓度预测NOx mass concentration prediction based on feature optimization and improved LSTM network
刘岳,于静,金秀章
摘要(Abstract)：
针对燃煤机组选择性催化还原(SCR)烟气脱硝系统中入口NO_x质量浓度难以准确测量的问题,提出一种基于特征优化和改进长短期记忆(LSTM)神经网络的预测模型。首先,通过机理分析确定与NO_x排放有关的辅助变量,利用互信息计算各辅助变量与输出变量NO_x质量浓度之间的延迟时间。通过最大相关最小冗余算法(m RMR)确定辅助变量最优特征子集,利用RBF神经网络对各个特征子集进行预测误差比较,确定模型输入变量。通过网格搜索和改进粒子群(MPSO)算法确定LSTM神经网络的超参数,建立NO_x质量浓度预测模型。仿真结果表明,特征优化后的辅助变量提高了模型的泛化能力,采用具有记忆功能的LSTM神经网络提高了模型预测精度。
关键词(KeyWords)： 特征优化;LSTM网络;寻优算法;互信息;浓度预测
基金项目(Foundation):
作者(Author): 刘岳,于静,金秀章
DOI: 10.19666/j.rlfd.202012280