基于MIC-PCA-LSTM模型的垃圾焚烧炉NO x 排放浓度预测

doi:10.12141/j.issn.1000-565X.240519

华南理工大学学报(自然科学版) ›› 2025, Vol. 53 ›› Issue (7): 1-10.doi: 10.12141/j.issn.1000-565X.240519

• 能源、动力与电气工程 • 下一篇

基于MIC-PCA-LSTM模型的垃圾焚烧炉NO _x 排放浓度预测

姚顺春¹, 李龙千¹, 刘文², 李峥辉¹, 周安鹂¹, 李文静¹, 陈姜宏¹, 卢志民¹

^1.华南理工大学电力学院，广东广州 510640
^2.广州环投花城环保能源有限公司，广东广州 510830

收稿日期:2024-10-25 出版日期:2025-07-25 发布日期:2024-11-08
通信作者: 刘文（1983—），男，高级工程师，主要从事发电过程燃烧及其污染物排放优化控制研究。 E-mail:liuwen@gzepi.com.cn
作者简介:姚顺春（1983—），男，博士，教授，主要从事能源低碳转化与清洁利用研究，E-mail： epscyao@scut.edu.cn
基金资助:
国家重点研发计划项目(2024YFC3909002);国家重点研发计划子课题项目(2024YFC3909004-02);广东省能源高效清洁利用重点实验室项目(2013A061401005)

Emission Concentration Prediction of NO _x from Waste Incinerator Based on MIC-PCA-LSTM Model

YAO Shunchun¹, LI Longqian¹, LIU Wen², LI Zhenghui¹, ZHOU Anli¹, LI Wenjing¹, CHEN Jianghong¹, LU Zhimin¹

^1.School of Electric Power，South China University of Technology，Guangzhou 510640，Guangdong，China
^2.Guangzhou Huantou Huacheng Environmental Protection Energy Co. ，Ltd. ，Guangzhou 510830，Guangdong，China

Received:2024-10-25 Online:2025-07-25 Published:2024-11-08
Contact: 刘文（1983—），男，高级工程师，主要从事发电过程燃烧及其污染物排放优化控制研究。 E-mail:liuwen@gzepi.com.cn
About author:姚顺春（1983—），男，博士，教授，主要从事能源低碳转化与清洁利用研究，E-mail： epscyao@scut.edu.cn
Supported by:
the National Key Research and Development Program of China(2024YFC3909002);the Subproject of the National Key Research and Development Program of China(2024YFC3909004-02)

摘要/Abstract

摘要：

垃圾焚烧过程选择性催化还原（SCR）脱硝系统出口NO _x 排放浓度的准确预测对提高数据质量和喷氨控制水平具有重要意义。垃圾焚烧过程存在显著的非线性、多变量耦合和时间序列特性，给NO _x 排放浓度的精准预测带来了巨大挑战。针对此问题，该文将最大信息系数（MIC）、主成分分析（PCA）和长短期记忆（LSTM）神经网络相结合，提出了一种SCR脱硝系统出口NO _x 排放浓度预测模型。首先，采用MIC方法计算各变量间的最大归一化互信息值，选择和NO _x 排放浓度相关性较大的特征变量，再结合最大冗余原则剔除冗余变量。随后，基于PCA方法获得各主成分方差的累计贡献率，提取主成分特征，得到最优输入特征变量集。最后，利用LSTM神经网络建立SCR出口NO _x 排放浓度预测模型。结果表明，相比反向传播神经网络模型和支持向量机模型，该文提出的模型具有最优的预测精度和泛化能力，其测试集平均绝对百分比误差为6.33%，均方根误差为4.71 mg/m³，决定系数为0.90。研究结果为实现垃圾焚烧过程SCR脱硝系统的喷氨智能控制提供了理论基础。

关键词: 垃圾焚烧, 选择性催化还原, 排放浓度预测, 最大信息系数, 主成分分析, 长短期记忆神经网络

Abstract:

Accurately predicting the emission concentration of NO _x at the outlet of the selective catalytic reduction (SCR) denitrification system in the waste incineration process is of great significance for enhancing data quality and optimizing ammonia injection. However, the waste incineration process exhibits significant nonlinearity, multivariate coupling, and time-series characteristics. These factors pose substantial challenges to achieving accurate prediction of NO _x emissions. To solve this problem, this paper presents a prediction model for the emission concentration of NO _x at the outlet of SCR denitrification system by integrating maximum information coefficient (MIC), principal component analysis (PCA) and long short-term memory (LSTM) neural networks. First, MIC is employed to assess the maximum normalized mutual information values among variables, and the input variables that exhibit the strong-est correlation with NO _x emission concentration are selected while the redundant variables are eliminated based on the principle of maximum redundancy. Then, PCA is utilized to obtain the cumulative contribution rate of the va-riance of each principal component, extract the principal component features, and obtain the optimal input feature variable set. Finally, an emission prediction model of NO _x at the outlet of SCR denitrification system is established based on the LSTM neural network. The results indicate that, as compared with the back propagation neural network model and the support vector machine model, the proposed model exhibits higher accuracy and generalization ability, achieving a mean absolute percentage error of 6.33%, a root mean squared error of 4.71 mg/m³ and a determination coefficient of 0.90. This research lays a theoretical foundation for achieving the intelligent control of SCR denitrification system in the waste incineration process.

Key words: waste incineration, selective catalytic reduction, emission concentration prediction, maximum information coefficient, principal component analysis, long short-term memory neural network

中图分类号:

TM621

姚顺春, 李龙千, 刘文, 李峥辉, 周安鹂, 李文静, 陈姜宏, 卢志民. 基于MIC-PCA-LSTM模型的垃圾焚烧炉NO _x 排放浓度预测[J]. 华南理工大学学报(自然科学版), 2025, 53(7): 1-10.

YAO Shunchun, LI Longqian, LIU Wen, LI Zhenghui, ZHOU Anli, LI Wenjing, CHEN Jianghong, LU Zhimin. Emission Concentration Prediction of NO _x from Waste Incinerator Based on MIC-PCA-LSTM Model[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(7): 1-10.

图/表 13

图1

图2

图3

表1

图4

图5

表2

图6

表3

图7

表4

图8

表5

参考文献 19

[1]	DIRIK M ．Prediction of NO _x emissions from gas turbines of a combined cycle power plant using an ANFIS model optimized by GA［J］．Fuel，2022，321：124037/1-11．
[2]	卢志民，李博航，唐雯，等．燃煤电厂SCR脱硝系统喷氨优化模拟［J］．华南理工大学学报（自然科学版），2023，51（8）：62-70．
	LU Zhimin， LI Bohang， TANG Wen，et al ．Optimization simulation of ammonia injection in SCR denitrification system of coal-fired power plant［J］．Journal of South China University of Technology （Natural Science Edition），2023，51（8）：62-70．
[3]	ADAMS D，OH D， KIM D，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，2020，270：122310/1-16．
[4]	LI S， MA S， WANG F ．A combined NO _x emission prediction model based on semi-empirical model and black box models［J］．Energy，2023，264：126130/1-9．
[5]	ZHANG M ．Characteristic-particle-tracked modeling for CFB boiler：coal combustion and ultra-low NO emission［J］．Powder Technology，2020，374：632-647．
[6]	WANG X， LIU W， WANG Y，et al ．A hybrid NO _x emission prediction model based on CEEMDAN and AM-LSTM［J］．Fuel，2022，310：122486/1-12．
[7]	LV Y， YANG T， LIU J ．An adaptive least squares support vector machine model with a novel update for NO _x emission prediction［J］．Chemometrics and Intelligent Laboratory Systems，2015，145：103-113．
[8]	WANG G， AWAD O I， LIU S，et al ．NO _x emissions prediction based on mutual information and back propagation neural network using correlation quantitative analysis［J］．Energy，2020，198：117286/1-10．
[9]	RADOJEVIĆ D， ANTANASIJEVIĆ D， PERIĆ-GRUJIĆ A，et al ．The significance of periodic parameters for ANN modeling of daily SO₂ and NO _x concentrations：a case study of Belgrade，Serbia［J］．Atmospheric Pollution Research，2019，10（2）：621-628．
[10]	WANG J， FENG Y， YE S，et al ．NO _x emission prediction of coal-fired power units under uncertain classification of operating conditions［J］．Fuel，2023，343：127840/1-11．
[11]	ARSIE I， CRICCHIO A， DE CESARE M，et al ．Neural network models for virtual sensing of NO _x emissions in automotive diesel engines with least square-based adaptation［J］．Control Engineering Practice，2017，61：11-20．
[12]	HOCHREITER S， SCHMIDHUBER J ．Long short-term memory［J］．Neural Computation，1997，9（8）：1735-1780．
[13]	LI Z， YAO S， CHEN D，et al ．Multi-parameter co-optimization for NO _x emissions control from waste inci-nerators based on data-driven model and improved particle swarm optimization［J］．Energy，2024，306：132477/1-13．
[14]	TANG J， GUO Y， LI M，et al ．A hybrid approach for the dynamic monitoring and forecasting of NO _x emissions in power plants［J］．Sustainable Energy，Grids and Networks，2023，36：101208/1-11．
[15]	XIAN W， WANG Z， SHI L，et al ．Rapid identification of cocrystal components of explosives based on Raman spectroscopy and principal component analysis［J］．Vibrational Spectroscopy，2024，132：103689/1-6．
[16]	PENG C， ZHENG J， CHEN T，et al ．Tool wear feature extraction in BTA deep hole drilling process based on maximum probability multi-synchrosqueezing transform of spindle current signal［J］．Measurement，2025，241：115780/1-14．
[17]	喻成龙，黄碧纯，杨颖欣．分子筛应用于低温NH₃-SCR脱硝催化剂的研究进展［J］．华南理工大学学报（自然科学版），2015，43（3）：143-150．
	YU Cheng-long， HUANG Bi-chun， YANG Ying-xin ．Research progress on the application of molecular sieves in low-temperature NH₃-SCR denitrification catalysts［J］．Journal of South China University of Technology （Natural Science Edition），2015，43（3）：143-150．
[18]	CONTESSI D， VIVERIT L， PEREIRA L N，et al ．Decoding the future： proposing an interpretable machine learning model for hotel occupancy forecasting using principal component analysis［J］．International Journal of Hospitality Management，2024，121：103802/1-17．
[19]	KUMAR VYAS J， PERUMAL M， MORAMARCO T ．Non-contact discharge estimation at a river site by using only the maximum surface flow velocity［J］．Journal of Hydrology，2024，638：131505/1-12．

序号	特征变量名称	单位	取值范围
1	空气预热器出口温度	℃	194.14~234.02
2	SCR还原剂流量	L/h	1.16~65.51
3	SCR反应器进口温度	℃	181.17~209.07
4	SCR反应器出口温度	℃	185.73~193.89
5	集汽箱压力	MPa	6.12~6.24
6	CO质量浓度	mg/m³	0.27~47.42
7	炉排3左外速度	cm/min	20.61~112.50
8	炉排4右外速度	cm/min	3.24~82.65
9	二次风流量A	N·m³/h	502.79~11 670.76
10	二次风流量B	N·m³/h	180.16~12 319.38
11	燃尽风流量	N·m³/h	1 341.32~8 901.18
12	炉排二区左侧热一次风量	N·m³/h	3 725.85~8 957.53
13	炉排四区左侧热一次风量	N·m³/h	1 230.76~4 830.93

参数名称	取值
隐藏层数	3
隐藏神经元数	［55，15，30］
遗忘率	［0.5，0.3，0.2］
初始学习率	0.001
学习率下降系数	0.2

模型	MAPE/%	RMSE/（mg·m^-3）	决定系数	耗时/s
MIC-PCA-BPNN	13.27	8.23	0.75	4.23
MIC-PCA-SVM	7.63	5.57	0.86	0.79
MIC-PCA-LSTM	6.33	4.71	0.90	15.91

模型	MAPE/%	RMSE/（mg·m^-3）	决定系数	耗时/s
BPNN	15.21	9.17	0.70	4.80
MIC-BPNN	13.46	8.91	0.74	4.42
SVM	9.03	6.74	0.79	0.89
MIC-SVM	8.05	6.04	0.83	0.87
LSTM	7.49	5.48	0.86	13.72
MIC-LSTM	6.63	4.79	0.89	13.66

模型	MAPE/%	RMSE/（mg·m^-3）	决定系数	耗时/s
MIC-BPNN	13.46	8.91	0.74	4.42
MIC-PCA-BPNN	13.27	8.23	0.75	4.23
MIC-SVM	8.05	6.04	0.83	0.87
MIC-PCA-SVM	7.63	5.57	0.86	0.79
MIC-LSTM	6.63	4.79	0.89	13.66
MIC-PCA-LSTM	6.33	4.71	0.90	15.91

基于MIC-PCA-LSTM模型的垃圾焚烧炉NO _x 排放浓度预测

Emission Concentration Prediction of NO _x from Waste Incinerator Based on MIC-PCA-LSTM Model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 19

相关文章 15

编辑推荐

Metrics

本文评价

[1]	苑仁腾, 王晨竹, 项乔君, 郑欧, 丁圣轩. 轨迹数据驱动的车辆换道意图识别模型[J]. 华南理工大学学报(自然科学版), 2024, 52(6): 34-44.
[2]	陈春红, 张海燕, 张勇刚, 唐婷, 卜继斌. 不同来源垃圾焚烧炉渣的理化性质及再生砂浆的强度变异性[J]. 华南理工大学学报(自然科学版), 2024, 52(10): 87-100.
[3]	陈廷照, 陈艳艳, 王子理, 等. “轨道交通微中心”理念下的慢行影响区范围确定方法[J]. 华南理工大学学报(自然科学版), 2022, 50(7): 56-65.
[4]	黄玲, 黄子虚, 吴泽荣, 等. 不同行为模型框架下的数据驱动类人驾驶模型比较[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 1-10.
[5]	林涛, 廖艳芬, 杨栩聪, 等. 350t/d垃圾焚烧炉的结构优化[J]. 华南理工大学学报（自然科学版）, 2021, 49(7): 116-124.
[6]	梁京章, 黄星舒, 吴丽娟, 等. 基于 KPCA 和改进 K- means 的电力负荷曲线聚类方法[J]. 华南理工大学学报（自然科学版）, 2020, 48(6): 143-150.
[7]	郭明军, 李伟光, 杨期江, 等. PCA 的幅值滤波特性及在转子特征提取中的应用[J]. 华南理工大学学报（自然科学版）, 2020, 48(5): 125-133.
[8]	郭明军, 李伟光, 杨期江, 等. 基于 SVD 原理的 PCA 特征频率提取算法及其应用[J]. 华南理工大学学报(自然科学版), 2020, 48(1): 1-9.
[9]	喻成龙黄碧纯杨颖欣. 分子筛应用于低温 NH₃ -SCR 脱硝催化剂的研究进展[J]. 华南理工大学学报（自然科学版）, 2015, 43(3): 143-150.
[10]	邹文杰王文静杨付正 . 参考中性表情的人脸表情识别[J]. 华南理工大学学报（自然科学版）, 2014, 42(5): 115-121.
[11]	杜健辉石永华王国荣黄国兴. 基于PCA_RVM的焊缝偏差识别[J]. 华南理工大学学报（自然科学版）, 2010, 38(12): 20-23.
[12]	钟元王慧南焦青张志强郑罡于海燕卢光明. 基于Granger因果检验和PCA的脑网络效应连接方法[J]. 华南理工大学学报（自然科学版）, 2010, 38(1): 76-80.
[13]	杨杰刘桂雄. 基于小波Elman神经网络的活塞环渗氮质量预测控制[J]. 华南理工大学学报（自然科学版）, 2009, 37(2): 45-48.
[14]	谢燕吴笑梅樊粤明余其俊黄健邝焯荣. 生活垃圾焚烧炉渣用作水泥混合材的研究[J]. 华南理工大学学报（自然科学版）, 2009, 37(12): 37-43.
[15]	张肖宁李红杰首艳芳. 基于结构方程建模的道路景观评价[J]. 华南理工大学学报（自然科学版）, 2009, 37(11): 17-21.

基于MIC-PCA-LSTM模型的垃圾焚烧炉NO x 排放浓度预测

Emission Concentration Prediction of NO x from Waste Incinerator Based on MIC-PCA-LSTM Model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 19

相关文章 15

编辑推荐

Metrics

本文评价

基于MIC-PCA-LSTM模型的垃圾焚烧炉NO _x 排放浓度预测

Emission Concentration Prediction of NO _x from Waste Incinerator Based on MIC-PCA-LSTM Model