基于混合型深度学习模型的电站锅炉飞灰质量浓度超短期时间序列预测

准确预测燃煤电厂烟囱出口飞灰质量浓度是有效控制PM2.5等排放物的关键技术.提出基于进化算法优化的深度学习神经网络模型用于飞灰质量浓度预测.基于燃煤电厂智能化数字平台提供的按1 min间隔总计采集33 d的共47520个时间点,671个预测相关量化指标的时间序列数据,以未来1 min、2 min、3 min原烟气飞灰质量浓度作为预测目标,通过主成分分析进行输入降维并基于端到端数据学习搭建超短期预测模型.预测模型为基于多种网络的混合型结构,其中的超参数通过进化算法进行优化.该模型无须详细分析每个具体输入的物理含义,具有很好迁移和泛化性,可以最小化模型开发和部署的成本.仿真试验结果显示:提出的试验模型在预留的测试数据集上,相比与对照组模型持续性模型显著降低了绝对值误差14％～16％.此外,所实现的预测模型可有效预测波动发生的时刻,对于实际应用具有显著的助益.