基于组合时域特征提取和Stacking集成学习的燃煤锅炉NOx排放浓度预测

作者：唐振浩; 隋梦璇; 曹生现

来源：中国电机工程学报, 2023, 1-16.

DOI：10.13334/j.0258-8013.pcsee.230940

• NOx排放浓度
• 时序特征
• 时域特征
• 数据重构
• Stacking集成学习

为了提高火电厂锅炉出口NOx排放浓度的预测精度，提出一种考虑组合时域特征的Stacking集成学习模型。首先为了挖掘数据深层信息，采用时序分析、完全自适应噪声集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise Analysis，CEEMDAN）和统计学计算数据标准差、偏度等特征的方法进行组合时域特征提取以构建重构数据；其次考虑到重构数据中存在的冗余变量对模型的精度有所影响，利用遗传算法(Genetic Algorithm， GA)对重构数据进行特征降维；最后为了充分发挥各个模型的优势以提高模型的预测精度，构建以极限学习机(Extreme Learning Machines， ELM)、深度神经网络(Deep Neural Networks， DNN)、多层感知器(Multilayer Perceptron， MLP)、极限梯度提升算法(eXtreme Gradient Boosting， XGBoost)为基模型和以回声状态网络(Echo State Network， ESN)为元模型的Stacking集成学习NOx排放浓度预测模型。实验结果表明：该预测模型在不同数据集下都有着不错的预测效果，预测误差均小于2%，能够对锅炉NOx排放浓度实现精准预测。

• 出版日期2023
• 单位东北电力大学