针对快速负荷波动情况下SCR（选择性非催化还原）出口处NOx浓度的综合预测模型

《Canadian Journal of Chemical Engineering》：Comprehensive prediction model for NOx concentration at the SNCR outlet during rapid load fluctuations

选择性非催化还原（SNCR）脱硝系统在快速负荷波动下易导致控制不稳定和污染物超标，本研究提出基于深度学习的综合预测模型。首先对工业数据进行滤波降噪和MIC动态标定降维，随后构建融合跨注意力、差分卷积和LSTM门控的深度集成架构，并创新性地采用多视角改进冠毒蚁群优化算法自适应优化网络超参数。实验表明该模型在超临界循环流化床锅炉（350MW）的多种工况下均优于对比模型，能精准预测SNCR出口NOx浓度。

　　

摘要

为了解决热电厂选择性非催化还原（SNCR）脱氮系统中在快速负荷波动期间控制不及时且不稳定的问题，这些问题可能导致污染物排放限值被超出，本研究提出了一种全面的预测模型，用于预测系统出口处的NO_x排放浓度。首先，从工业现场收集的原始数据经过过滤和降噪处理。然后利用最大信息系数（MIC）对多维时间序列进行动态校准和降维。接下来，通过结合特征提取和融合技术（包括交叉注意力、差分卷积以及长短期记忆（LSTM）门控机制），本研究提出了一种深度集成架构，并引入了一种多角度改进的ICPO（Crested Porcupine Optimizer）算法来自适应优化网络超参数。这种方法在提高模型表达能力的同时，降低了计算复杂性。基于某热电厂350兆瓦超临界循环流化床（CFB）锅炉的运行数据进行的实验结果表明，所提出的模型在各种运行条件下均优于对比模型，能够准确预测SNCR出口处的NO_x排放浓度。

利益冲突声明

作者声明没有利益冲突。

同行评审

为保证透明度，与本文相关的同行评审文件可在此链接查看：https://doi.org/10.1002/cjce.70344。

第二轮评审
编辑决定函	2026/01/22
评审员2的报告	2026/01/22
评审员1的报告	2026/01/21
作者回复附件1	2025/12/28
第一轮评审
编辑决定函	2025/10/26
编辑决定函附件1	2025/10/26
评审员2的报告	2025/10/24
评审员1的报告	2025/10/07
评审员1报告附件1	2025/10/07

数据可用性声明

支持本研究结论的数据可向相应作者提出合理请求后获得。