燃煤锅炉烟气流量数据的可靠性是实现火电机组碳排放精准计量的重要前提。然而，流场的不均匀性、测点位置的选择以及取样管堵塞等问题，给烟气流量的准确监测带来挑战。针对烟气流量在线监测存在的难题，提出建立基于Transformer的多变量时间序列模型以实现烟气流量的在线预测与数据诊断。首先，从我国某660MW典型燃煤机组中采集了25天的烟气流量数据以及相应的运行工况参数，建立了Transformer烟气流量预测模型。模型对于烟气流量的预测效果在训练集和测试集上的回归系数R2均高于0.9，且预测精度显著优于随机森林、人工神经网络等非时序机器学习模型以及长短期记忆网络等递归神经网络模型。结果表明，Transformer烟气流量预测模型可以准确建立机组运行工况变量与烟气流量之间的动态映射关系。然后，采用迁移学习方法，实现了将660MW燃煤机组上已训练好的Transformer源模型迁移至另一台630MW燃煤机组烟气流量预测的泛化应用。仅采用630MW机组0.5天连续运行的数据进行迁移训练，准确预测了后24.5天的烟气流量数据，预测精度R2达到0.84。结果表明，Transformer迁移学习模型具有较优的烟气流量预测性能，且迁移学习方法大幅度提高了模型的训练效率。最后，基于Transformer模型对于烟气流量良好的时序性预测性能，进一步实现了对燃煤机组烟气流量数据的智能诊断。

1 方法
1.1 数据采集及预处理
1.2 机器学习
1.2.1 Transformer模型原理
1.2.2 迁移学习原理
2 结果与讨论
2.1 基于Transformer的烟气流量在线预测
2.2 基于迁移学习的跨机组烟气流量在线预测
2.3 烟气流量诊断分析
3 总结

江宇泷,杜翰斌,陆佳慧,等.基于深度迁移学习的燃煤锅炉烟气流量预测及智能诊断[J/OL].煤炭学报,1-11[2024-12-16].https://doi.org/10.13225/j.cnki.jccs.LC24.0739.