基于DDPG深度强化学习的电站脱硝过程优化控制
来源：计算机测量与控制杂志2022年第10期北京时间：
作者：林康威,肖红,姜文超,杨建仁,熊广思,黄冠儒
单位：广东工业大学计算机学院
摘要：针对选择性催化还原(selective catalytic reduction,SCR)脱硝系统脱硝过程存在非线性、多工况等复杂特点，提出一种基于MiniBatchKMeans聚类与Stacking模型融合的SCR脱硝过程NOx预测方法。该方法通过应用MiniBatchKMeans聚类算法对训练集进行工况聚类与划分优化，建立基于XGBoost、随机森林、LightGBM以及线性回归的Stacking融合框架预测模型(Stacking-XRLL)，实现电站SCR系统多变工况下NOx排放的精准预测。以广东某电站SCR系统脱硝过程中NOx排放数据为例进行建模仿真与实验，结果表明与单一建模方法多层前馈神经网络(BP)、长短期记忆神经网络(LSTM)以及门控循环单元神经网络(GRU)相比，Stacking-XRLL建模方法的平均预测精确度达到了99%，并最终结合建立好的深度确定性策略梯度(DDPG)强化学习模型，实现电站SCR脱硝过程的参数优化控制。
关键词：多工况;MiniBatchKMeans聚类;Stacking-XRLL;DDPG算法;优化控制
基金资助：国家自然科学基金--广东省联合基金项目(U2001201)；广东省基础与应用基础研究基金项目(2020B1515120010)。
