Boiler NOx emission prediction based on ensemble learning and extreme learning machine optimization
董泽，李骏，赵欣欣，姜炜*，高明帅
Keywords: NOx emission prediction; Extreme learning machine (ELM); Ensemble learning; Dingo optimization algorithm
DOI: 10.1016/j.partic.2025.07.023
SCR脱硝系统的NOx排放测量存在实时性差、吹扫时测量异常的问题。为此，本文提出一种基于集成学习和极限学习机优化（ELM）的预测方法，该方法通过引入Tent混沌映射、Lévy飞行和自适应t分布策略，提出多策略改进的Dingo优化算法（MS-DOA），从而克服了普通DOA方法因全局搜索的局限性造成的易陷入局部最优而导致收敛精度低、寻优效率低等问题，构建了一种能够提高测量精度以及实时性的SCR脱硝系统NOx出口浓度预测模型。选取国内某燃煤电厂660MW机组的SCR脱硝系统运行数据进行实验验证。验证结果表明，本文构建的预测模型具有较高的建模精度以及预测精度，为锅炉NOx排放的准确预测提供了一种可靠方法。
相关研究成果发表于PARTICUOLOGY（Volume 105），欢迎感兴趣的读者扫描下方二维码或者点击文末“阅读原文”进入ScienceDirect官网阅读、下载！
亮点
- 提出一种基于集成学习和极限学习机优化的预测方法，该方法可以进一步提高极限学习机在全工况系统建模时的建模精度，使模型的训练更加充分，动静态特性提取更加全面。
- 提出一种多策略改进Dingo优化算法（MS-DOA），克服了普通DOA算法由于全局搜索的局限性易陷入局部最优而造成收敛精度低、寻优效率较低等问题。
- 构建了一种MS-DOA-ELM模型，用于构建集成学习的个体学习器，该方法提高了单工况系统建模时ELM模型的训练精度和泛化能力。
研究背景
在SCR脱硝系统中，NOx浓度的测定通常借助连续排放监视系统（CEMS）来完成。然而，由于CEMS是在粉尘含量较高的烟道内开展采样与检测工作，导致测量NOx浓度时易引起两方面问题：1）实时性方面，因烟道输送、气体采样以及检测耗时较久，使测量不及时；2）精准性方面，在周期性吹扫采样探头的粉尘时，CEMS未能收集到烟气，使该状况下测量结果严重脱离真实值。为此，构建准确的锅炉NOx排放预测模型，对于SCR脱硝系统实现精准喷氨控制具有重要意义。
极限学习机（ELM）属于单隐层前馈神经网络的一种，与其它一些通过误差反馈调整权重的传统前馈神经网络不同，ELM的输出权重是利用Moore-Penrose广义逆矩阵直接求解，无需在训练过程进行调整，在确保学习精度的前提下，具备训练速度快、调节参数少的特点。然而，在利用ELM建模时也存在两个主要问题：一是ELM超参数问题，ELM输入层到隐含层的学习参数是随机生成的，网络性能的好坏具有随机性；二是ELM在全工况系统建模时，模型的泛化能力较差，难以涵盖系统的动静态特性。
Dingo优化算法（DOA）是由Hernan Peraza-Vazquez等人提出的一种新型生物启发式算法，该算法模拟了野狗的狩猎策略：群体攻击、迫害、清道夫和生存四种行为。相较于其它传统优化算法，DOA具有平衡能力强、结构简单等优点，但搜索范围有局限性，寻优结果往往不是全局最优，迭代后期易陷入局部最优，造成收敛精度低、寻优效率较低等问题。
要点精读
1. 为了解决DOA搜索范围局限和收敛精度不足的问题，本文在普通DOA算法基础上加入Tent混沌映射、Lévy飞行和自适应t分布策略进行改进，提出了多策略改进Dingo优化算法（MS-DOA）。其中：（1）Tent混沌映射属于一种分段的线性映射，能够在[0,1]之间产生分布均匀的初始值，采用Tent混沌映射策略增加了DOA中种群初始解的多样性，提高初始种群的质量；（2）Lévy飞行策略属于随机游走中的一种，结合了以小步长长时间搜索与大步长偶尔跳变搜索的特点，在DOA中利用Lévy飞行策略的特点，将其产生随机游走步长作为扰动量叠加到位置更新公式中，增加种群的多样性，防止种群个体由于聚集而导致算法出现早熟、收敛的情况，帮助算法跳出局部最优，提升算法的搜索能力；（3）自适应t分布策略使种群粒子呈现t分布特性，提高了DOA迭代前期的全局开发能力和迭代后期的局部探索能力。
图1. MS-DOA性能对比测试结果
2. 构建了一种基于MS-DOA-ELM的集成学习个体学习器模型。通过优化模型的输入权重和隐层偏差，解决了ELM模型训练过程中由于学习参数的影响而导致的模型精度和泛化能力的随机性问题。实验结果也验证了MS-DOA-ELM在提高建模精度和泛化能力方面的有效性。
图2. MS-DOA-ELM预测误差概率分布对比曲线
图3. 基于MS-DOA-ELM的集成学习个体学习器训练效果
3. 为解决单模型结构的ELM和MS-DOA-ELM难以捕捉全工况SCR脱硝系统的动静态特性而导致建模精度差的问题，提出了基于集成学习和极限学习机优化的预测方法。通过对比实验结果可进一步证实，方法在不增加模型复杂性的前提下提升了MS-DOA-ELM模型对全工况特征对象的拟合能力，提高了NOx浓度的预测精度。
图4. 基于集成学习和极限学习机优化的SCR脱硝系统NOx出口浓度预测结果
结论与展望
基于本文提出的MS-DOA-ELM模型方法，首先通过比较单工况下的MS-DOA-ELM模型与ELM、AHA-ELM、SSA-ELM和DOA-ELM模型的预测效果，验证了MS-DOA-ELM模型的优越性。然后又通过比较变负荷工况下MS-DOA-ELM集成学习模型在训练集、测试集上的预测效果和性能评价指标（RMSE、MAE、R2），对模型的拟合能力和泛化能力进行测试，结果表明，与未改进的ELM全局模型相比，本文构建的MS-DOA-ELM集成学习模型的RMSE降低72.41%、MAE降低了76.37%、R2提高了33.23%，验证了算法模型良好的拟合精度；而且在应对未经训练的测试集数据集时，算法也提高了ELM模型的泛化能力，为锅炉NOx排放的精准预估提供了一种有效方法。
通讯作者
董泽，华北电力大学教授，博导。研究领域为控制科学与工程，主要研究方向为：电力生产过程建模、仿真与优化控制，先进控制理论与应用、发电厂自动化与信息化技术与系统。完成和正在进行的科研项目数十项，科研经费累计达数千万元，其中十二项成果获各类省部级科技进步奖。获得专利、软件著作权等知识产权数十余项，为相关企业创造直接经济效益数亿元。发表学术论文170余篇，出版学术著作3部，教材1部。
供稿：原文作者
编辑、排版：《颗粒学报》编辑部
文章信息
Dong, Z., Li, J., Zhao, X., Jiang, W., & Gao, M. (2025). Boiler NOx emission prediction based on ensemble learning and extreme learning machine optimization. Particuology, 105, 123-139. https://doi.org/10.1016/j.partic.2025.07.023.