基于MEVMD与GA-CNN+LSTM的NO<italic style="font-style: italic"><sub>x</sub></italic>浓度动态预测模型研究

张启帆; 胡丽娜; 曾浩; 刘威; 杨灿

doi:10.13568/j.cnki.651094.651316.2025.12.05.0001

您当前的位置：

首页 >

文章列表页 >

基于MEVMD与GA-CNN+LSTM的NO_x浓度动态预测模型研究

智能建模与工程计算专题 | 更新时间：2026-03-24

- 基于MEVMD与GA-CNN+LSTM的NO_x浓度动态预测模型研究
- A Dynamic Prediction Model for NO_x Concentration Based on MEVMD and GA-CNN+LSTM
- 新疆大学学报（自然科学版中英文） 2026年43卷第2期页码：169-182
- 作者机构：
  
  新疆大学电气工程学院，新疆乌鲁木齐 830017
- 作者简介：
  
  张启帆（2000—），男，硕士生，从事燃煤机组数值分析与氮氧化物预测的研究，E-mail： 107552304581@stu.xju.edu.cn．
  胡丽娜（1986—），女，副教授，博士生导师，主要从事变负荷下燃高碱煤锅炉的飞灰沉积机理与受热面超温分析、耐腐蚀、防黏污涂层设计与研发的研究，E-mail： hulina@xju.edu.cn．
- 基金信息：
  
  新疆维吾尔自治区科技重大专项“燃煤锅炉变负荷运行智能控制技术研究”(2023A01005-1);国家重点研发项目“全烧高碱煤锅炉多目标深度优化变负荷运行控制技术”(2023YFB4102704-01);新疆维吾尔自治区“天山英才”计划-科技创新领军人才基金资助项目“新疆碳中和能源科学与技术研究”(2022TSYCLJ0001)
- DOI：10.13568/j.cnki.651094.651316.2025.12.05.0001
  中图分类号： TK31;TK229.6
- 收稿：2025-12-05，
  
  修回：2026-01-19，
  
  录用：2026-01-28，
  
  纸质出版：2026-03-25
- 稿件说明：
移动端阅览
张启帆，胡丽娜，曾浩，刘威，杨灿．基于MEVMD与GA-CNN+LSTM的NO_x浓度动态预测模型研究［J］．新疆大学学报（自然科学版中英文），2026，43（2）：169-182．

Zhang Qifan，Hu Lina，Zeng Hao，Liu Wei，Yang Can．A dynamic prediction model for NO_x concentration based on MEVMD and GA-CNN+LSTM［J］．Journal of Xinjiang University（Natural Science Edition in Chinese and English），2026，43（2）：169-182．
张启帆，胡丽娜，曾浩，刘威，杨灿．基于MEVMD与GA-CNN+LSTM的NO_x浓度动态预测模型研究［J］．新疆大学学报（自然科学版中英文），2026，43（2）：169-182． DOI： 10.13568/j.cnki.651094.651316.2025.12.05.0001.

Zhang Qifan，Hu Lina，Zeng Hao，Liu Wei，Yang Can．A dynamic prediction model for NO_x concentration based on MEVMD and GA-CNN+LSTM［J］．Journal of Xinjiang University（Natural Science Edition in Chinese and English），2026，43（2）：169-182． DOI： 10.13568/j.cnki.651094.651316.2025.12.05.0001.

摘要

燃煤电厂作为主要NO

排放源，其SCR脱硝系统的高效运行对降低污染物排放至关重要，但在预测NO

过程中，数据的剧烈动态变化会制约模型的预测精度．本文提出一种基于模态能量差和样本熵的变分模态分解（MEVMD）耦合遗传算法（GA）优化卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合预测模型．首先，通过3σ准则修正异常值，再采用皮尔逊相关系数筛选20个关键输入变量，利用最大信息系数（MIC）确定各变量延迟时间，实现特征与目标变量的时序对齐．其次，通过自适应变分模态分解（VMD），精准剥离NO

时序信号中的多频率特征；通过GA优化超参数，实现多子模态的适配性建模.最后，通过VMD逆分解将各子模态融合输出预测结果．实验结果表明，本文所提模型的均方根误差（

RMSE

）为0.949 2，平均绝对误差（

MAE

）为0.496 9，决定系数（

）为0.976 7，优于对比模型．

Abstract

Coal-fired power plants serve as primary sources of NO

emissions

and the efficient operation of SCR denitrification systems is crucial for reducing pollutant emissions. However

the highly dynamic changes of data during NO

prediction processes limit the accuracy of predictive models. Therefore

a hybrid prediction framework based on modal energy diffe‑rence and sample entropy

which combining variational mode decomposition (MEVMD) with genetic algorithm (GA) to optimize convolutional neural network (CNN) and long short-term memory network (LSTM)

is proposed. Firstly

abnormal data are corrected using the 3σ criterion; 20 key auxiliary variables are selected via Pearson correlation coefficients. The maximum information coefficient (MIC) is employed to determine the delay time for each variable

achieving temporal alignment between features and target variables. Secondly

adaptive variational mode decomposition (VMD) precisely extracts multi-frequency features from NO

time-series signals. Hyperparameters are optimized via GA to achieve adaptive modeling of multiple sub-modes. Finally

prediction results are generated through data reconstruction. Experimental results demonstrate that the proposed model achieves

RMSE

of 0.949 2

MAE

of 0.496 9

and

of 0.976 7

outperforming comparison models.

关键词

Keywords

references

Jin Y ， Scherer L ， Sutanudjaja E H ， et al ． Climate change and CCS increase the water vulnerability of China’s thermoelectric power fleet ［J］． Energy ， 2022 ， 245 ： 123339 ．

Chang S Y ， Zhuo J K ， Meng S ， et al ． Clean coal technologies in China：Current status and future perspectives ［J］． Enginee‑ring ， 2016 ， 2 （ 4 ）： 447 - 459 ．

Faghihi E M ， Shamekhi A H ． Development of a neural network model for selective catalytic reduction（SCR）catalytic converter and ammonia dosing optimization using multi objective genetic algorithm ［J］． Chemical Engineering Journal ， 2010 ， 165 （ 2 ）： 508 - 516 ．

Liu G F ， Bao W Y ， Zhang W ， et al ． An intelligent control of NH 3 injection for optimizing the NO x /NH 3 ratio in SCR system ［J］． Journal of the Energy Institute ， 2019 ， 92 （ 5 ）： 1262 - 1269 ．

Huang D W ， Tang S H ， Zhou D J ， et al ． NO x emission estimation in gas turbines via interpretable neural network observer with adjustable intermediate layer considering ambient and boundary conditions ［J］． Measurement ， 2022 ， 189 ： 110429 ．

Yang T T ， Ma K F ， Lyu Y ， et al ． Real-time dynamic prediction model of NO x emission of coal-fired boilers under variable load conditions ［J］． Fuel ， 2020 ， 274 ： 117811 ．

Wang Z ， Pen X Y ， Cao S X ， et al ． NO x emission prediction using a lightweight convolutional neural network for cleaner production in a down-fired boiler ［J］． Journal of Cleaner Production ， 2023 ， 389 ： 136060 ．

Rao H D ， Shi X Z ， Rodrigue A K ， et al ． Feature selection based on artificial bee colony and gradient boosting decision tree ［J］． Applied Soft Computing ， 2019 ， 74 ： 634 - 642 ．

Wang F ， Ma S X ， Wang H ， et al ． Prediction of NO x emission for coal-fired boilers based on deep belief network ［J］． Control Engineering Practice ， 2018 ， 80 ： 26 - 35 ．

李影，卓建坤，吴逸凡，等．可解释的变负荷下燃煤机组SCR反应器入口NO x 质量浓度预测模型［J］．热力发电， 2024 ， 53 （ 7 ）： 119 - 128 ．

Li Y ， Zhuo J K ， Wu Y F ， et al ． Interpretable prediction model for NO x mass concentration at SCR reactor inlet in coal-fired power plants under flexible operating conditions ［J］． Thermal Power Generation ， 2024 ， 53 （ 7 ）： 119 - 128 ．（in Chinese）

吴康洛，黄俊，李峥辉，等．基于MIC-CFS-LSTM的SCR出口NO x 浓度动态预测［J］．洁净煤技术， 2023 ， 29 （ 6 ）： 142 - 150 ．

Wu K L ， Huang J ， Li Z H ， et al ． Dynamic prediction of the NO x concentration at SCR system outlet based on MIC-CFS-LSTM model ［J］． Clean Coal Technology ， 2023 ， 29 （ 6 ）： 142 - 150 ．（in Chinese）

张鹏新，高明明，郭炯楠，等．基于混合建模方法循环流化床锅炉深度调峰NO x 排放预测［J］．洁净煤技术， 2024 ， 30 （ 9 ）： 85 - 94 ．

Zhang P X ， Gao M M ， Guo J N ， et al ． Prediction of NO x emissions from deep peaking circulating fluidized bed boilers based on a hybrid modelling approach ［J］． Clean Coal Technology ， 2024 ， 30 （ 9 ）： 85 - 94 ．（in Chinese）

Wang X W ， Liu W J ， Wang Y N ， et al ． A hybrid NO x emission prediction model based on CEEMDAN and AM-LSTM ［J］． Fuel ， 2022 ， 310 ： 122486 ．

Tang Z H ， Wang S K ， Chai X Y ， et al ． Auto-encoder-extreme learning machine model for boiler NO x emission concentration prediction ［J］． Energy ， 2022 ， 256 ： 124552 ．

张珑慧，林德海，王颖，等．机器学习在火电厂NO x 减排中的应用综述［J］．热力发电， 2023 ， 52 （ 1 ）： 7 - 17 ．

Zhang L H ， Lin D H ， Wang Y ， et al ． Review of applications of machine learning in nitrogen oxides reduction in thermal power plants ［J］． Thermal Power Generation ， 2023 ， 52 （ 1 ）： 7 - 17 ．（in Chinese）

Bokde N ， Feijóo A ， Villanueva D ， et al ． A review on hybrid empirical mode decomposition models for wind speed and wind power prediction ［J］． Energies ， 2019 ， 12 ： 254 ．

Yao X J ， Yi T H ， Qu C X ． Autoregressive spectrum-guided variational mode decomposition for time-varying modal identification under nonstationary conditions ［J］． Engineering Structures ， 2022 ， 251 ： 113543 ．

Sun Z X ， Zhao M Y ， Zhao G H ． Hybrid model based on VMD decomposition，clustering analysis，long short memory network，ensemble learning and error complementation for short-term wind speed forecasting assisted by Flink platform ［J］． Energy ， 2022 ， 261 ： 125248 ．

Wu Z ， Zhang Y ， Dong Z ． Prediction of NO x emission concentration from coal-fired power plant based on joint knowledge and data driven ［J］． Energy ， 2023 ， 271 ： 127044 ．

Salcedo-Sanz S ， Cornejo-Bueno L ， Prieto L ， et al ． Feature selection in machine learning prediction systems for renewable ener‑gy applications ［J］． Renewable and Sustainable Energy Reviews ， 2018 ， 90 ： 728 - 741 ．

Reshef D N ， Reshef Y A ， Finucane H K ， et al ． Detecting novel associations in large data sets ［J］． Science ， 2011 ， 334 （ 6062 ）： 1518 - 1524 ．

Cao Y H ， Tung W W ， Gao J B ， et al ． Detecting dynamical changes in time series using the permutation entropy ［J］． Physical Review E ， 2004 ， 70 （ 4 ）： 046217 ．

Lian J J ， Liu Z ， Wang H J ， et al ． Adaptive variational mode decomposition method for signal processing based on mode characteristic ［J］． Mechanical Systems and Signal Processing ， 2018 ， 107 ： 53 - 77 ．

Li N ， Hu Y ． The deep convolutional neural network for NO x emission prediction of a coal-fired boiler ［J］． IEEE Access ， 2020 ， 8 ： 85912 - 85922 ．

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于参数优化VMD及改进CNN的风电齿轮故障诊断方法

基于RBF核的SVM核参数优化算法

Rh_n(n=3～57)团簇基态物性的遗传算法研究(英文)

配电网无功补偿容量及位置的优化研究

一种基于高阶互累计量的遗传盲反卷积算法

基于MEVMD与GA-CNN+LSTM的NOx浓度动态预测模型研究

A Dynamic Prediction Model for NOx Concentration Based on MEVMD and GA-CNN+LSTM

DOI：10.13568/j.cnki.651094.651316.2025.12.05.0001

摘要

Abstract

关键词

Keywords

references

基于MEVMD与GA-CNN+LSTM的NO_x浓度动态预测模型研究

A Dynamic Prediction Model for NO_x Concentration Based on MEVMD and GA-CNN+LSTM