基于变量筛选和注意力机制的CNN‑BiLSTM出口SO2浓度预测模型
来源：计量学报杂志2025年第7期北京时间：
作者：畅晗, 金秀章, 赵术善, 赵大勇
摘要：针对燃煤电厂锅炉燃烧工况复杂多变和脱硫系统惯性大，影响因素多，导致的出口SO2浓度频繁大范围波动且难以预测的问题，提出一种基于浣熊优化算法（coati optimization algorithm，COA）优化变分模态分解（variational mode decomposition，VMD）算法与融合卷积神经网络（convolutional neural network，CNN），双向长短期记忆网络（bidirectional long short-term memory networks，BiLSTM）和注意力机制的出口SO2浓度预测模型。首先使用k-近邻互信息法筛选出与出口SO2浓度相关性高的辅助变量，求取出各个辅助变量对应的时延补偿，然后对补偿后的变量用COA-VMD算法进行分解，保留分解结果中与输出变量相关性最大的变量子集进行重构，并将其作为模型的输入，最后使用CNN-BiLSTM-Attention建立出口SO2浓度预测模型。仿真结果表明，相比其他模型该模型的均方根误差、平均绝对百分比误差最小，预测精度最高，分别为0.577 7 mg/m3，0.270 5%，0.973 2。
关键词：SO2浓度预测,浣熊优化算法,VMD分解,卷积神经网络,双向长短期记忆网络,注意力机制
基金资助：国家重点研发计划项目(2018YFB0604300)
