高斯-LSTM燃烧预测网络
少样本迁移调优
融合工况与时间信息，在历史工况覆盖不全时仍能保持高预测精度，并在优化时综合考虑目标与调节限制，降低大幅度调节带来的风险。
Yixi, Wu · Wang, Ziqi · Chenli, Shi · 金晓航 · 徐正国
Energy 2024
参数信息
- NOx浓度预测R²
- 0.979
- 空预器出口温度预测R²
- 0.989
- 新工况下NOx预测MSE降低率
- 98.05 %
- 新工况下温度预测MSE降低率
- 97.37 %
- NOx浓度降低量
- 24.70 mgm⁻³
- 温度降低量
- 2.013 °C
- 可调变量平均变化降低率（NOx优化）
- 9.66 %
- 可调变量平均变化降低率（温度优化）
- 11.24 %
技术优势
工况与时序双融合
高斯核捕捉工况信息，LSTM捕捉时序信息，两者融合提升预测精度。
少样本就能适应新工况
引入迁移学习和少样本微调框架，用少量新工况数据即可大幅降低预测误差。
兼顾目标与调节风险
改进的适应度函数同时考虑优化目标和可调变量的调节幅度，降低大幅度操作风险。
应用场景
- 燃煤锅炉燃烧优化：用预测模型在线优化风煤配比，降低NOx与排烟温度。
- 热力系统智能控制：嵌入DCS实现燃烧闭环控制，兼顾调节幅度避免大幅波动。
- 工业过程数字孪生：作为锅炉燃烧数字孪生的核心预测模块，支持实时仿真。
- 燃烧诊断与预测：提供高精度NOx与温度预测，辅助燃烧状态诊断。