在我国电力市场中,燃煤火力发电一直占主导地位,火电厂燃煤锅炉焚烧产生的NOx是大气污染物的主要来源之一。随着国内环保意识的逐日增强,烟气脱硝优化被提上日程。针对脱硝,目前大部分火电厂均采取选择性催化还原（SCR）技术来实现,从而减少NOx的排放。对于烟气中的氮氧化物含量,各厂一般利用烟气自动监控系统对其浓度进行实时测量,但该系统在进行测量时会有较大的迟延,因此不能准确反映SCR入口NOx浓度的实时变化,进而无法及时地指导反应器动作。本文将SCR脱硝系统入口的NOx浓度作为研究对象,采用长短期记忆网络（LSTM）建立预估模型并以此实现SCR入口NOx浓度的估计。本文对锅炉燃烧过程中影响NOx生成的主要因素进行机理分析,在对现场DCS获取的原始数据样本预处理后,采取基于互信息的特征变量选择方法对原始变量进行特征提取,筛选出与NOx浓度之间具有最大关联性以及变量之间冗余性最小的辅助变量,从而减小各变量之间的耦合度和数据维度,达到提高建模精度和减小计算复杂度的目的。一方面,建立基于LSTM的氮氧化物预估模型,并验证其有效性;另一方面,针对LSTM建立的预估模型,虽然其精度达到预期,但其训练模型的速度比较慢,而CNN卷积神经网络可以做到充分提取数据特征并降低数据维度,进而提高模型训练速度。因此,本文进一步提出基于一维卷积的LSTM预估模型,即CNN-LSTM。用卷积层以及降采样层代替LSTM中的输入层。实验结果证明,在给定相同数据集的条件下,后者提高了预估模型的准确率,同时也提高了训练速度。两种方法都能实现NOx准确预估,对降低火电机组NOx排放具有重要意义。