煤炭学报

作者：江宇泷, 杜翰斌, 陆佳慧, 汤红健, 段伦博,

关键词：燃煤锅炉, 烟气流量, Transformer, 迁移学习, 智能诊断,

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，从某660 MW典型燃煤机组中采集了25 d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660 MW燃煤机组上已训练好的Transformer源模型迁移至另一台630 MW燃煤机组烟气流量预测的泛化应用。仅采用630 MW机组0.5 d连续运行的数据进行迁移训练，准确预测了后24.5 d的烟气流量数据，预测精度R2达到0.84。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。

来源：2025年第8期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2025年第8期