建立更准确的NO

x

生成浓度预测模型对于燃煤机组减少NO

x

排放，降低脱硝成本具有重大意义。搭建NO

x

生成模型基于机组相关变量，同时依赖模型结构设计，设计模型结构的参数称为超参数。进行合理的数据处理与超参数设定，能够有效提升NO

x

预测模型精度与泛化性。该文提出一种基于树状结构Parzen估计器优化长短期记忆（tree-structureparzenestimatoroptimizedlongshort-term memory neural network

TPE-LSTM）神经网络的NO

x

生成浓度预测模型。基于某330 MW燃煤机组的历史运行数据，获取NO

x

生成相关变量参数，将模型结构参数与NO

x

相关变量参数的时间序列窗口长度以及主成分数量相互耦合，组成一类新的超参数；通过优化改进后的超参数取值，构建基于长短期记忆（long short-term memory

LSTM）神经网络的NO

x

生成浓度预测模型；将所提出的超参数优化后的NO

x

预测模型与基于未优化的LSTM模型、采用粒子群优化的LSTM（particleswarmoptimizationoptimizedLSTM

PSO-LSTM）模型对比，预测结果表明，TPE-LSTM预测模型具有较好的模型精度与泛化能力。