Zur Lösung des Problems der ungenauen Vorhersage der Massenkonzentration von NO_x am Ausgang des Selektiven Katalytischen Reduktionsreaktors (SCR) mit traditionellen Mechanismusmodellierungsmethoden wurde ein hybrides Vorhersagemodell vorgeschlagen, das den verbesserten Grauwolf-Optimierungsalgorithmus (EGWO) und das Langzeit-Kurzzeit-Gedächtnisnetzwerk (LSTM) kombiniert. Zunächst werden die Rohdaten mithilfe der Hauptkomponentenanalyse (PCA) verarbeitet und ausgewählt, um die Eingangsvariablen zu reduzieren. Dann wird EGWO verwendet, um die Hyperparameter des LSTM-Netzwerks zu optimieren. Schließlich werden die Eingangsvariablen als Eingabe für das EGWO-LSTM-Modell verwendet, um die Massenkonzentration von NO_x am Ausgang vorherzusagen. Am Beispiel eines inländischen ultrasuperkritischen 1.000-MW-Kohlekraftwerks zeigen die Simulationsergebnisse, dass das Modell die beste Fehlerkontrolle bietet, wobei die mittlere quadratische Wurzel des Fehlers im Vergleich zum traditionellen LSTM-Modell um 50,36 % und im Vergleich zum BP-Modell um 76,14 % reduziert wurde. Der durchschnittliche absolute prozentuale Fehler des Modells beträgt nur 1,01 %. EGWO benötigt weniger Iterationen zur Konvergenz zur optimalen Lösung als GWO und weist eine höhere Konvergenzgenauigkeit auf.

SCR-Reaktor; Vorhersagemodell; NO_x; LSTM; Hauptkomponentenanalyse; verbesserter Grauwolf-Optimierungsalgorithmus