论文标题：Prediction of NOx emission concentration from coal-fired power plant based on joint knowledge and data driven
期刊信息：Energy (中科院1区, JCR Q1 TOP, IF=9)
引用：Wu Z, Zhang Y, Dong Z. Prediction of NOx emission concentration from coal-fired power plant based on joint knowledge and data driven[J]. Energy, 2023, 271: 127044.
提出了一种基于联合知识和数据驱动的混合模型。首先，我们整合NOx生成机制，利用知识驱动的组合特征选择方法计算变量相关性，并提供模型的特征库。其次，引入模态能量差和样本熵增强VMD，从非线性特征参数中提取深度时频信息;最后，我们采用自适应分割来预测NOx排放浓度。主要贡献总结如下：
提出了一种基于联合知识和数据驱动的混合模型。NOx排放浓度预测挑战是通过整合NOx生成机制知识、组合特征选择、信号分解和深度学习来完成的；
建立了一种知识驱动的组合特征选择方法，广泛挖掘最佳特征集合，避免单一方法在描述变量相关性方面存在较大差异；
采用一种新的信号分解方法(MEVMD)对非线性时间序列特征进行分解。基于排列熵测量对分解后的残差进行滤波；
通过编码器堆栈输入层的切片模块对时间序列进行自适应分割。描述了历史NOx浓度与未来NOx浓度之间的关系；
将Informer应用于NOx排放浓度的预测。利用深度学习捕获时间序列数据依赖耦合。
提出了一个联合知识和数据驱动的NOx浓度预测模型。为方便起见，建议的模型在以下各节中简称为ME-INF。图2显示了ME-INF的总体框架。总体步骤如下：
数据准备。输入原始数据集。执行去除异常值、填充异常和空数据、数据规范化等预处理操作。时间序列之间的差异大于该序列平均值的两倍的数据定义为无效数据点，并用前后25个点的平均值填充；
特征变量选择。候选特征变量最初是基于对SCR反应机理的了解来选择的。计算变量的相关性，并使用知识驱动的组合特征选择算法对它们进行排序。确定模型的输入特征变量；
非线性序列分解。采用MEVMD方法将非线性不稳定特征序列分解为简单光滑的IMF及其残差对。通过子序列提取变量的深度时频信息。根据置换熵对分解残差的随机性进行滤波；
模型的训练。将机械特征变量、时间特征变量和分解后的子序列输入模型。初始化模型参数。设置学习率和迭代次数等参数来训练预测模型。使用网格搜索方法选择模型中可选的超参数；
模型测试。输入测试数据集。用ME-INF模型输出SCR系统出口NOx浓度的预测结果。
建立准确、稳定的NOx排放浓度预测模型是实现燃煤电厂脱硝和环保的基础。提出了一种基于联合知识和数据驱动的NOx排放浓度混合预测模型。首先，利用知识驱动组合特征选择为数据驱动建模提供全局特征库;其次，利用模态能量差和样本熵对模型进行改进，增强模型提取非线性信息的能力;最后，采用信息源和自适应分割技术对NOx排放浓度进行预测。实验结果表明，该模型具有较强的泛化能力和预测精度。
联合知识和数据驱动建模的概念为复杂的时间序列预测任务提供了一种新的解决方案。但其在NOx浓度预测中的应用尚处于探索阶段。未来的研究目标是通过加入额外的特征参数，如运行条件、煤质变化等，来扩展模型的动态预测能力。