A novel <scp>VMD</scp> ‐ <scp>LassoNet</scp> ‐ <scp>iTransformer</scp> framework with enhanced feature fusion for dynamic <scp>NOx</scp> forecasting in flexible utility boilers
Notice bibliographique
Résumé
Abstract Accurate prediction of NOx emissions in flexible utility boilers is essential for both environmental protection and operational optimization. This study proposes a novel variational mode decomposition (VMD)‐LassoNet‐inverted Transformer (iTransformer) framework for dynamic NOx forecasting. First, an improved VMD with adaptive thresholding is used to reduce the noise in the original data. Next, a LassoNet network with L1‐regularized skip‐layer connections is utilized for feature selection in the first stage, reducing input dimensions from 33 to 28 critical parameters while maintaining interpretability. In the second stage, the iTransformer model performs deep feature extraction using a temporal attention mechanism, enabling accurate dynamic modelling of NOx emissions by capturing multivariate correlations and long‐term dependencies. Experiments on a 660 MW utility boiler dataset demonstrate that the proposed model achieves state‐of‐the‐art performance, achieving an R 2 value of 0.95, a MAE of 2.63 mg/m 3 , and a RMSE of 3.71 mg/m 3 in single‐step forecasting on the test data, surpassing LSTM, Transformer, and TimesNet. In multi‐step forecasting, the model reduces prediction errors by 7.46% and 3.4% compared to Transformer and TimesNet, respectively. The framework's hierarchical feature fusion and temporal inversion mechanisms effectively handle load‐varying scenarios, providing a solid foundation for real‐time NOx emission control.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».