在可再生能源大规模并网背景下，火电机组的调峰运行大幅增加了锅炉NOx排放控制的难度。锅炉NOx排放的实时预测，对于指导火电机组调峰工况下的高效、清洁运行具有重要意义。CFD计算方法涉及多个物理场的耦合迭代计算，计算量巨大，难以实时地建立锅炉运行参数与NOx排放浓度之间复杂的非线性映射关系。随着大数据分析和人工智能技术的快速发展，数据驱动建模为锅炉NOx的实时预测与控制提供了新方法。锅炉调峰运行状态下的运行数据具有明显的时序特征，同时亦存在着复杂的空间关联特征。然而，目前所普遍采用的深度神经网络等方法无法有效地识别运行数据的时-空关联特征，因此限制了其准确预测NOx排放的能力。针对上述问题，提出一种基于时空注意力图卷积网络（AST-GCN）的锅炉NOx预测模型。该模型不仅可以在空间维度挖掘运行参数间的关联特征，还能捕捉历史运行数据与NOx排放浓度的动态映射关系。此外，模型中所嵌入的注意力机制能够进一步提高对运行数据中时空相关特征的动态提取能力，并增加了模型的可解释性，从而可用于指导锅炉在调峰运行下对关键运行参数的优化调整。基于某600MW锅炉实际运行数据的预测结果表明，相较于传统神经网络模型，AST-GCN模型由于可有效提取锅炉运行参数间的空间关联与时序动态特性，显著提升了模型的预测精度和泛化性能。

1 时空注意力图卷积网络模型
1.1 空间卷积网络
1.2 时间卷积网络
1.3 时空注意力机制
1.3.1 空间注意力
1.3.2 时间注意力
2 模型建立
2.1 样本数据
2.2 数据特征
2.2.1 空间数据特征
2.2.2 时间数据特征
2.3 模型构建
3 预测结果分析
3.1 预测结果验证
3.2 可解释性分析
3.3 模型对比验证
4 结 论

周永清,郝大伟,樊昱晨,等.基于时空注意力图卷积网络的锅炉NO_(x)预测方法[J/OL].煤炭学报,1-12[2024-09-18].https://doi.org/10.13225/j.cnki.jccs.LC24.0752.