Um den sicheren und stabilen Betrieb des Rauchgasentschwefelungssystems in Kohlekraftwerken zu gewährleisten, ist es notwendig, einen wissenschaftlich fundierten und vernünftigen Plan zur Vorhersage der Lebensdauer des selektiven katalytischen Reduktionskatalysators (SCR) zu erstellen. Das Versagen des SCR-Katalysators ist das Ergebnis mehrerer physikalischer und chemischer Faktoren und lässt sich schwer mit herkömmlichen physikalischen Modellen oder mathematischen Formeln vorhersagen. Diese Studie konzentriert sich auf die Big-Data-Eigenschaften von Kraftwerken, verarbeitet die Rohdaten und erstellt vier Vorhersagemodelle: Kurvenanpassung, Grauvorhersage, BP-Neuronale Netze, Graue Neuronale Netze. Der vergleichende Fallanalys legt nahe, dass die Datenverarbeitung die Genauigkeit der Vorhersage verbessern kann; wenn die Daten der gleichmäßigen Zeitdistanzeigenschaft entsprechen, hat das optimierte direkte Ausgangsmodell des grauen neuronalen Netzes eine hohe Vorhersagegenauigkeit; wenn die Daten nicht der gleichmäßigen Zeitdistanzeigenschaft entsprechen, hat das BP-Neuronale Netzmodell eine bessere Vorhersagewirkung.

Rauchgasentschwefelungssystem; SCR-Katalysator; Lebensdauervorhersage; Kurvenanpassung; Grauvorhersage; BP-Neuronale Netze; Graue Neuronale Netze